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
总结
到此这篇关于PyTorch中torch.tensor()和torch.to_tensor()区别的文章就介绍到这了,更多相关torch.tensor()和torch.to_tensor()区别内容请搜索码农之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持码农之家！
