Pytorch创建Tensor的几种方式详解（转载）

原链接：https://blog.csdn.net/qq_28418387/article/details/97971328

作者：AI学渣

前言
tensor是Pytorch中数据的基础单元，那么如何创建tensor，pytorch中提供了以下四种方式：

torch.Tensor()
torch.tensor()
torch.as_tensor()
torch.from_numpy()
那么这四种创建tensor的方式有什么区别呢，在具体使用中应该如何选择？

1、类型结构的区别
除了torch.Tensor()是类之外，其他三个都是函数

2、tensor数据类型的区别
可以先举个例子，首先创建一个numpy数组，分别使用这四种方式创建tensor，并打印输出，我们来看看输出的tensor的区别

 

 

从结果可以看出，初始状态为 整型的numpy数组，后三个的dtype都变成了torch.int32类型，只有第一个tensor好像变成了浮点型，我们再分别打印他们的dtype类型

 

 

torch.Tensor()果然是将整型的numpy数组转化成了torch.float32的浮点类型，那么为什么会有这样的转化呢？实际上，torch.Tensor()是将numpy数组转化成了tensor的默认数据类型，我们来看看tensor的默认数据类型是不是torch.float32类型

 

 

通过torch.get_default_dtype()函数获取到了tensor的默认数据类型，果然是torch.float32。

其他三种方法默认的是继承输入numpy数据类型，输入的是int整型，那么转化生成的tensor就是整型的，输入的是float浮点型，那么转化生成的就是浮点型

 

 

其他三种方法还提供了设置数据类型的参数dtype，在转换的过程中可以设置成我们想要的数据类型

 

 

3、存储方式的区别
我们接着上面的例子往下看，此时我们修改原numpy数组中的元素，看看经过四种方法转换后的tensor会不会有什么变化

 

 

发现了没有，在修改了原numpy数组中的元素之后，前两种方法转换出来的tensor并没有发生改变，这符合我们的正常逻辑，因为经过了转换相当于复制了一份，原数组的改变就不会影响转换后的tensor；而后两种方法转换出来的tensor本质上是和原数组共享内存的，所以numpy的变化也会导致转换后的tensor的变化。
那我们现在将变换后的tensor改回原来的值，看看原numpy数组是否也跟着发生了变化

 

 

原numpy数组也发生了变化！

4、tensor创建方法的选择
经过对比了之后，那么平时我们应该如何选择哪种方法来创建tensor呢？
在不考虑性能方面，一般情况下我们使用**torch.tensor()方法居多，那么如果要考虑性能方面，首先肯定是要从torch.as_tensor()以及torch.from_numpy()**这两种方法中选择，因为在创建tensor的过程中，它俩是共享内存的，不需要额外创建一份数据，。
但是这两个中选择哪个呢，答案是：torch.as_tensor()，因为torch.as_tensor()和torch.from_numpy()之间有个区别就是，torch.from_numpy()只能接收numpy数组，而torch.as_tensor()不仅可以接收numpy数组，还可以接收python的list类型数据