Pytorch张量的主要方法之间的区别（Tensor、tensor、from_numpy、as_tensor）

 

Pytorch张量是torch.tensor  Pytorch类的实例

一个张量的抽象概念和一个Pytorch张量的区别在于Pytorch张量给了我们一个具体的实现，我们可以使用和编码它。

如上图，使用了四个不同的方法构造张量，并检查了他们的dtype。

t1与t2的唯一区别在于方法名中t的大小写，大写字母T（Tensor）是类构造函数，第二种小写是工厂函数。

torch.as_tensor 和 torch.from_numpy 也是工厂函数

 

构造函数在构造一个张量时使用全局缺省值，而工厂函数则根据输入推断数据类型。通过torch.get_default_dtype()可以查看dtype的全局缺省值是float32。

工厂函数是根据传入的数据选择一个dtype。如下图所示：

 

修改数组值，但不修改张量，如下：

 

t1和t2不受数组改变的影响；

t3和t4，两个张量包含了更改后数组中的相同数据。t3和t4可以映射数组的情况。

这种差异是由每个创建选项中分配内存的方式造成的。

t1和t2在内存中创建一个额外的数据副本，t3和t4是数组在内存中共享数据。不同之处就是在于对内存的共享。

torch.as_tensor()和torch.from_numpy()  函数使得numpy数组与Pytorch张量之间切换可以非常快，因为创建新的Pytorch张量时，数据是共享的，而不是后台复制的。共享数据比复制数据更有效使用更少的内存。因为数据没有写到内存中的两个位置，而是只有一个位置。

 

 

我们应该使用哪一种呢？？？

torch.tensor()是经常使用的。如果想做内存优化，使用torch.as_tensor(),这个为什么要比torch.from_numpy()好呢？

因为，torch.as_tensor()函数可以接受任何像Python数据结构这样的数组。