torch.tensor和torch.from

torch.tensor和torch.from_numpy的区别

news2024/10/12 5:42:40

torch.tensor 和 torch.from_numpy 都是用于在 PyTorch 中创建张量的函数，但它们有一些重要的区别，尤其是在数据类型转换和共享内存方面

1. `torch.tensor`

torch.tensor 是 PyTorch 中的一个常用函数，用于从数据（如列表、数组等）创建一个新的张量。无论传入的数据是 Python 列表还是 NumPy 数组，torch.tensor 都会 创建一个新的张量，这个张量是原数据的深拷贝。因此，张量和原始数据之间 不共享内存，修改张量的值不会影响原始数据，反之亦然。

示例：

import torch
import numpy as np

# 从列表创建张量
data = [1, 2, 3]
tensor = torch.tensor(data)

# 修改tensor不会影响原始数据
tensor[0] = 0
print(tensor)  # 输出: tensor([0, 2, 3])
print(data)    # 输出: [1, 2, 3]，列表未被修改

特点：

深拷贝：创建的新张量和原始数据不共享内存。
数据类型转换：如果传入的数据类型与默认的张量数据类型不同（例如：NumPy 数组），torch.tensor 会自动将数据转换为默认的 PyTorch 张量类型（通常是 torch.float32）。

优势：

适合从各种数据类型（Python 列表、元组等）生成张量。
由于深拷贝，不会影响原始数据，适合在需要独立管理张量和数据时使用。

2. `torch.from_numpy`

torch.from_numpy 专门用于将 NumPy 数组 转换为 PyTorch 张量。它与 torch.tensor 的最大区别在于，torch.from_numpy 不会拷贝数据，而是 共享内存。这意味着生成的张量和原始的 NumPy 数组指向同一个内存区域，修改其中任何一个都会影响另一个。

示例：

import torch
import numpy as np

# 从NumPy数组创建张量
np_array = np.array([1, 2, 3])
tensor = torch.from_numpy(np_array)

# 修改张量会影响原始的NumPy数组
tensor[0] = 0
print(tensor)     # 输出: tensor([0, 2, 3])
print(np_array)   # 输出: [0 2 3]，NumPy数组也被修改了

特点：

共享内存：转换生成的张量和原始的 NumPy 数组共享内存，修改其中一个会影响另一个。
数据类型限制：torch.from_numpy 仅支持 NumPy 数组，而且 NumPy 数组的数据类型必须是 float32、float64、int32、int64 等 PyTorch 支持的类型。如果数据类型不支持，会报错。

优势：

适合需要在 NumPy 和 PyTorch 之间高效转换和共享数据的场景，避免不必要的深拷贝，节省内存。
在需要与 NumPy 代码进行集成时非常方便，例如当你需要将 NumPy 数据输入到 PyTorch 模型中训练时。

3. 关键区别

功能	`torch.tensor`	`torch.from_numpy`
数据来源	Python 列表、NumPy 数组等	只支持 NumPy 数组
内存共享	不共享内存（深拷贝）	共享内存
数据类型转换	自动将输入数据转换为 PyTorch 的默认数据类型	维持 NumPy 数组的数据类型，且只支持部分数据类型
适用场景	当不需要与原始数据共享内存时，或从列表等创建	需要高效地将 NumPy 数据与 PyTorch 张量共享内存时