当前位置：主页 > python教程 > torch.tensor()和torch.to_tensor()区别

PyTorch中torch.tensor()和torch.to_tensor()的区别

发布：2023-03-13 15:00:01 59

给大家整理一篇相关的编程文章，网友高和怡根据主题投稿了本篇教程内容，涉及到torch.tensor和torch.Tensor的区别、torch.tensor()、torch.tensor()和torch.to_tensor()区别相关内容，已被451网友关注，涉猎到的知识点内容可以在下方电子书获得。

torch.tensor()和torch.to_tensor()区别

前言

在跑模型的时候，遇到如下报错

UserWarning: To copy construct from a tensor, it is recommended to use sourceTensor.clone().detach() or sourceTensor.clone().detach().requires_grad_(True), rather than torch.tensor(sourceTensor).

网上查了一下，发现将 torch.tensor() 改写成 torch.as_tensor() 就可以避免报错了。

# 如下写法报错
 feature = torch.tensor(image, dtype=torch.float32)
 
# 改为
feature = torch.as_tensor(image, dtype=torch.float32)

然后就又仔细研究了下 torch.as_tensor() 和 torch.tensor() 的区别，在此记录。

1、torch.as_tensor()

new_data = torch.as_tensor(data, dtype=None,device=None)->Tensor

作用：生成一个新的 tensor，这个新生成的tensor 会根据原数据的实际情况，来决定是进行浅拷贝，还是深拷贝。当然，会优先浅拷贝，浅拷贝会共享内存，并共享 autograd 历史记录。

情况一：数据类型相同且 device相同，会进行浅拷贝，共享内存

import numpy
import torch

a = numpy.array([1, 2, 3])
t = torch.as_tensor(a)
t[0] = -1

print(a)   # [-1  2  3]
print(a.dtype)   # int64
print(t)   # tensor([-1,  2,  3])
print(t.dtype)   # torch.int64

import numpy
import torch

a = torch.tensor([1, 2, 3], device=torch.device('cuda'))
t = torch.as_tensor(a)
t[0] = -1

print(a)   # tensor([-1,  2,  3], device='cuda:0')
print(t)   # tensor([-1,  2,  3], device='cuda:0')

情况二：数据类型相同，但是device不同，深拷贝，不再共享内存

import numpy
import torch

import numpy
a = numpy.array([1, 2, 3])
t = torch.as_tensor(a, device=torch.device('cuda'))
t[0] = -1

print(a)   # [1 2 3]
print(a.dtype)   # int64
print(t)   # tensor([-1,  2,  3], device='cuda:0')
print(t.dtype)   # torch.int64

情况三：device相同，但数据类型不同，深拷贝，不再共享内存

import numpy
import torch

a = numpy.array([1, 2, 3])
t = torch.as_tensor(a, dtype=torch.float32)
t[0] = -1

print(a)   # [1 2 3]
print(a.dtype)   # int64
print(t)   # tensor([-1.,  2.,  3.])
print(t.dtype)   # torch.float32

2、torch.tensor()

torch.tensor() 是深拷贝方式。

torch.tensor(data, dtype=None, device=None, requires_grad=False, pin_memory=False)

深拷贝：会拷贝数据类型和 device，不会记录 autograd 历史 (also known as a “leaf tensor” 叶子tensor）

重点是：

如果原数据的数据类型是：list, tuple, NumPy ndarray, scalar, and other types，不会 waring
如果原数据的数据类型是：tensor，使用 torch.tensor(data) 就会报waring

# 原数据类型是：tensor 会发出警告
import numpy
import torch

a = torch.tensor([1, 2, 3], device=torch.device('cuda'))
t = torch.tensor(a)
t[0] = -1

print(a)
print(t)

# 输出：
# tensor([1, 2, 3], device='cuda:0')
# tensor([-1,  2,  3], device='cuda:0')
# /opt/conda/lib/python3.7/site-packages/ipykernel_launcher.py:5: UserWarning: To copy construct from a tensor, it is recommended to use sourceTensor.clone().detach() or sourceTensor.clone().detach().requires_grad_(True), rather than torch.tensor(sourceTensor).

# 原数据类型是：list, tuple, NumPy ndarray, scalar, and other types， 没警告
import torch
import numpy

a =  numpy.array([1, 2, 3])
t = torch.tensor(a) 

b = [1,2,3]
t= torch.tensor(b)

c = (1,2,3)
t= torch.tensor(c)

结论就是：以后尽量用 torch.as_tensor() 吧