快捷導(dǎo)航

PyTorch中torch.tensor()和torch.to_tensor()的區(qū)別

更新時(shí)間：2023年01月28日 10:38:05 作者：Enzo?想砸電腦

在Pytorch中Tensor和tensor都用于生成新的張量,但二者并不相同,下面這篇文章主要給大家介紹了關(guān)于PyTorch中torch.tensor()和torch.to_tensor()區(qū)別的相關(guān)資料,需要的朋友可以參考下

前言

在跑模型的時(shí)候，遇到如下報(bào)錯(cuò)

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).

網(wǎng)上查了一下，發(fā)現(xiàn)將 torch.tensor() 改寫成 torch.as_tensor() 就可以避免報(bào)錯(cuò)了。

# 如下寫法報(bào)錯(cuò)
 feature = torch.tensor(image, dtype=torch.float32)
 
# 改為
feature = torch.as_tensor(image, dtype=torch.float32)

然后就又仔細(xì)研究了下 torch.as_tensor() 和 torch.tensor() 的區(qū)別，在此記錄。

1、torch.as_tensor()

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

作用：生成一個(gè)新的 tensor，這個(gè)新生成的tensor 會(huì)根據(jù)原數(shù)據(jù)的實(shí)際情況，來(lái)決定是進(jìn)行淺拷貝，還是深拷貝。當(dāng)然，會(huì)優(yōu)先淺拷貝，淺拷貝會(huì)共享內(nèi)存，并共享 autograd 歷史記錄。

情況一：數(shù)據(jù)類型相同且 device相同，會(huì)進(jìn)行淺拷貝，共享內(nèi)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')

情況二：數(shù)據(jù)類型相同，但是device不同，深拷貝，不再共享內(nèi)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

情況三：device相同，但數(shù)據(jù)類型不同，深拷貝，不再共享內(nèi)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() 是深拷貝方式。

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

深拷貝：會(huì)拷貝數(shù)據(jù)類型和 device，不會(huì)記錄 autograd 歷史 (also known as a “leaf tensor” 葉子tensor）

重點(diǎn)是：

如果原數(shù)據(jù)的數(shù)據(jù)類型是：list, tuple, NumPy ndarray, scalar, and other types，不會(huì) waring
如果原數(shù)據(jù)的數(shù)據(jù)類型是：tensor，使用 torch.tensor(data) 就會(huì)報(bào)waring

# 原數(shù)據(jù)類型是：tensor 會(huì)發(fā)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)

# 輸出：
# 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).

# 原數(shù)據(jù)類型是：list, tuple, NumPy ndarray, scalar, and other types， 沒(méi)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)

結(jié)論就是：以后盡量用 torch.as_tensor() 吧

總結(jié)

到此這篇關(guān)于PyTorch中torch.tensor()和torch.to_tensor()區(qū)別的文章就介紹到這了,更多相關(guān)torch.tensor()和torch.to_tensor()區(qū)別內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: