【深度学习基础】PyTorch Tensor生成方式及复制方式详解

目录

• PyTorch Tensor生成方式及复制方法详解
• • 一、Tensor的生成方式
  • • （一）从Python列表/元组创建
    • （二）从NumPy数组创建
    • （三）特殊初始化方法
    • （四）从现有Tensor创建
  • （五）高级初始化方法
  • 二、复制方法对比
  • • （一） `torch.tensor()` vs `torch.from_numpy()`
    • （二） `.clone()` vs `.copy_()` vs `copy.deepcopy()`
    • （三） 深度拷贝（Deep Copy）
  • 三、核心区别总结
  • 四、最佳实践建议

PyTorch Tensor生成方式及复制方法详解

在PyTorch中，Tensor的创建和复制是深度学习开发的基础操作。本文将全面总结Tensor的各种生成方式，并深入分析不同复制方法的区别。

---

一、Tensor的生成方式

（一）从Python列表/元组创建

import torch
# 直接创建Tensor
t1 = torch.tensor([1, 2, 3]) # 整型Tensor
t2 = torch.tensor([[1.0, 2], [3, 4]]) # 浮点型Tensor

（二）从NumPy数组创建

import numpy as np
arr = np.array([1, 2, 3])
t = torch.from_numpy(arr) # 共享内存

（三）特殊初始化方法

zeros = torch.zeros(2, 3) # 全0矩阵
ones = torch.ones(2, 3) # 全1矩阵
rand = torch.rand(2, 3) # [0,1)均匀分布
randn = torch.randn(2, 3) # 标准正态分布
arange = torch.arange(0, 10, 2) # 0-10步长为2

（四）从现有Tensor创建

x = torch.tensor([1, 2, 3])
x1 = x.new_tensor([4, 5, 6]) # 新Tensor（复制数据）
x2 = torch.zeros_like(x) # 形状相同，全0
x3 = torch.randn_like(x) # 形状相同，随机值

（五）高级初始化方法

eye = torch.eye(3) # 3x3单位矩阵
lin = torch.linspace(0, 1, 5) # 0-1等分5份
log = torch.logspace(0, 2, 3) # 10^0到10^2等分3份

---

二、复制方法对比

（一） torch.tensor() vs torch.from_numpy()

方法	数据源	内存共享	梯度传递	数据类型
torch.tensor()	Python数据	不共享	支持	自动推断
torch.from_numpy()	NumPy数组	共享	不支持	保持一致

# 示例：内存共享验证
arr = np.array([1, 2, 3])
t = torch.from_numpy(arr)
arr[0] = 99 # 修改NumPy数组
print(t) # tensor([99, 2, 3])，同步变化

（二） .clone() vs .copy_() vs copy.deepcopy()

方法	内存共享	梯度传递	计算图保留	使用场景
.clone()	不共享	保留梯度	保留计算图	需要梯度回传
.copy_()	目标共享	不保留	破坏计算图	高效覆盖数据
copy.deepcopy()	不共享	不保留	不保留	完全独立拷贝

# 示例：梯度传递对比
x = torch.tensor([1.], requires_grad=True)
y = x.clone()
z = torch.tensor([2.], requires_grad=True)
z.copy_(x) # 覆盖z的值
y.backward() # 正常回传梯度到x
# z.backward() # 报错！copy_()破坏计算图

（三） 深度拷贝（Deep Copy）

import copy
orig = torch.tensor([1, 2, 3])
deep_copied = copy.deepcopy(orig) # 完全独立拷贝

---

三、核心区别总结

1. 内存共享：

   • from_numpy() 与NumPy共享内存
   • 视图操作（如view()/切片）共享内存
   • 其他方法均创建独立副本

2. 梯度处理：

   • .clone() 唯一保留梯度计算图
   • copy_() 会破坏目标Tensor的计算图
   • torch.tensor() 创建新计算图

3. 使用场景：

   • 需要梯度回传：使用.clone()
   • 高效数据覆盖：使用.copy_()
   • 完全独立拷贝：使用copy.deepcopy()
   • 与NumPy交互：使用from_numpy()/numpy()

---

四、最佳实践建议

1. 优先使用torch.tensor()创建新Tensor
2. 需要从NumPy导入数据且避免复制时用from_numpy()
3. 在计算图中复制数据时必须使用.clone()
4. 需要覆盖现有Tensor数据时使用.copy_()
5. 调试时注意内存共享可能导致的意外修改

# 正确梯度传递示例
x = torch.tensor([1.], requires_grad=True)
y = x.clone() ** 2 # 保留计算图
y.backward() # 梯度可回传到x