torch.as_tensor()、torch.Tensor() 、 torch.tensor() 、transforms.ToTensor()的区别

最新推荐文章于 2025-06-17 11:15:41 发布

原创

最新推荐文章于 2025-06-17 11:15:41 发布 · 6.3k 阅读

32 ·

CC 4.0 BY-SA版权

文章标签：

#as_tensor #Tensor #ToTensor #torch.tensor

本文详细介绍了PyTorch中创建张量的三种方法：as_tensor(), tensor()和Tensor()。as_tensor()在数据类型和设备相同的情况下可实现浅拷贝，共享内存；tensor()总是创建新张量，数据类型和设备不同则进行深拷贝。Tensor()是默认的浮点型张量构造器。此外，还提到了ToTensor()转换器在图像处理中的作用，用于将数据归一化到[0,1]，并可通过Normalize()进一步标准化到(-1,1)区间。

1）torch.as_tensor(data, dtype=None,device=None)->Tensor : 为data生成tensor，保留 autograd 历史记录并尽量避免复制（dtype和devices相同，尽量浅拷贝）。

如果data已经是tensor，且dtype和device与参数相同，则生成的tensor会和data共享内存（浅拷贝）。如果data是ndarray,且dtype对应，devices为cpu，则同样共享内存。其他情况则不共享内存。

#1)数据类型和device相同，浅拷贝，共享内存
import numpy
a = numpy.array([1, 2, 3])
t = torch.as_tensor(a)
t[0] = -1
a,t

#Out[77]: (array([-1,  2,  3]), tensor([-1,  2,  3], dtype=torch.int32))

#2)数据类型相同，但是device不同，深拷贝，不再共享内存
import numpy
a = numpy.array([1, 2, 3])
t = torch.as_tensor(a, device=torch.device('cuda'))
t[0] = -1
a,t

#Out[78]: (array([1, 2, 3]), tensor([-1,  2,  3], device='cuda:0', dtype=torch.int32))

#3)device相同，但数据类型不同，深拷贝，不再共享内存
import numpy
a = numpy.array([1, 2, 3])
t = torch.as_tensor(a, dtype=torch.float32)
t[0] = -1
a,t

Out[80]: (array([1, 2, 3]), tensor([-1.,  2.,  3.]))

2) torch.tensor() 是一个通过