pytorch与numpy张量拷贝需要注意的点
前言
最近在改一些小demo，让自己在假期之后也不会对相关编程语言过于生疏。今天在修改yolov5的过程中，我注意到了一些我之前没有注意到的点。那便是关于pytorch张量的拷贝到底哪些算是浅拷贝哪些是深拷贝的问题。进一步，我观察一些之前写的数据处理程序，发现不仅是pytorch的拷贝机制和以往不同，numpy的张量拷贝机制也同样和一般情况下是不一样的，接下来进行简要的介绍。
正文
pytorch
浅拷贝
所谓浅拷贝，为共享内存机制，两个变量都指向同一块地址
直接进行变量赋值，内存机制
import torch
a = torch.tensor([1])
b = a
a *= 10
print(a, b)
结果
tensor([10]) tensor([10])
索引操作
b = a[:]
a *= 10
结果
tensor([10]) tensor([10])
改变张量行列
view()
b = a.view(-1)
a *= 10
结果
tensor([10]) tensor([10])
reshape()
b = a.reshape(-1)
a *= 10
结果
tensor([10]) tensor([10])
flatten(input, dim)
b = torch.flatten(a, 0)
a *= 10
结果
tensor([10]) tensor([10])
expand(),expand_as()
b = a.expand((1,2))
a *= 10
结果
tensor([10]) tensor([[10, 10]])
与numpy相互转换
numpy()
b = a.numpy()
a *= 10
结果
tensor([10]) [10]
from_numpy()
a = np.array([1])
b = torch.from_numpy(a)
b *= 10
结果
[10] tensor([10], dtype=torch.int32)
as_tensor()
该函数只有在与numpy转换时会表现出浅拷贝的性质
作为方法参数
def ppp(a):
print(a)
b = a
b *= 10
print(a, b)
if __name__=='__main__':
a = torch.tensor([1])
ppp(a)
print(a)
结果
tensor([1])
tensor([10]) tensor([10])
tensor([10])
深层拷贝
clone
a = torch.tensor([1])
b = a.clone()
a *= 10
结果
tensor([10]) tensor([1])
copy_()
a = torch.tensor([1])
b = torch.zeros_like(a)
torch.Tensor.copy_(b, a)
a *= 10
结果
tensor([10]) tensor([1])
矩阵拼接
stack()
a = torch.tensor([1])
c = torch.zeros_like(a)
b = torch.stack((a, c), 1)
a *= 10
结果
tensor([10]) tensor([[1, 0]])
cat()
a = torch.tensor([1])
c = torch.zeros_like(a)
b = torch.cat((a, c), 1)
a *= 10
tensor([10]) tensor([1, 0])
矩阵运算
a = torch.tensor([1])
b = a * 1
b *= 10
结果
tensor([1]) tensor([10])
like类函数
ones_like()zeros_like()
Numpy
浅拷贝
直接赋值
a = np.array([1])
b = a
b *= 10
结果
[10] [10]
作为参数传递
def ppp(a):
print(a)
b = a
b *= 10
print(a, b)
if __name__=='__main__':
a = np.array([1])
ppp(a)
print(a)
结果
[1]
[10] [10]
[10]
深拷贝
copy
a = np.array([1])
b = a.copy()
b *= 10
结果
[1] [10]
矩阵运算
a = np.array([1])
b = a+1
b *= 10
结果
[1] [20]
结束
以上便是笔者目前所总结的，numpy（）部分并不是很多，如有错误欢迎大家指正与补充！！！！