PyTorch内存模型:"torch.from_numpy()"vs"torch.Tensor()"

Question

我正在尝试深入了解PyTorch Tensor内存模型的工作原理.

# input numpy array
In [91]: arr = np.arange(10, dtype=float32).reshape(5, 2)

# input tensors in two different ways
In [92]: t1, t2 = torch.Tensor(arr), torch.from_numpy(arr)

# their types
In [93]: type(arr), type(t1), type(t2)
Out[93]: (numpy.ndarray, torch.FloatTensor, torch.FloatTensor)

# ndarray 
In [94]: arr
Out[94]: 
array([[ 0.,  1.],
       [ 2.,  3.],
       [ 4.,  5.],
       [ 6.,  7.],
       [ 8.,  9.]], dtype=float32)

---

我知道PyTorch张量器共享 NumPy ndarrays 的内存缓冲区.因此,改变一个将反映在另一个.所以,在这里我正在切片并更新Tensor中的一些值t2

In [98]: t2[:, 1] = 23.0

正如预期的那样,它已经更新t2,arr因为它们共享相同的内存缓冲区.

In [99]: t2
Out[99]: 

  0  23
  2  23
  4  23
  6  23
  8  23
[torch.FloatTensor of size 5x2]


In [101]: arr
Out[101]: 
array([[  0.,  23.],
       [  2.,  23.],
       [  4.,  23.],
       [  6.,  23.],
       [  8.,  23.]], dtype=float32)

但是,t1也在更新.请记住,t1使用torch.Tensor()while t2构建使用torch.from_numpy()

In [100]: t1
Out[100]: 

  0  23
  2  23
  4  23
  6  23
  8  23
[torch.FloatTensor of size 5x2]

因此,无论我们是使用torch.from_numpy()还是torch.Tensor()从ndarray构造张量,所有这些张量和ndarray共享相同的内存缓冲区.

基于这种理解,我的问题是为什么torch.from_numpy()只有torch.Tensor()能够完成工作才能存在专用功能？

我查看了PyTorch文档,但它没有提到任何相关内容？有什么想法/建议吗？

Answer 1

在 Pytorch 中构建张量的推荐方法是使用以下两个工厂函数：torch.tensor和torch.as_tensor.

torch.tensor 总是复制数据。例如，torch.tensor(x)相当于x.clone().detach()。

torch.as_tensor 总是试图避免数据的副本。之一，其中例as_tensor避免了复制数据是，如果原始数据是numpy的阵列。

Answer 2

from_numpy()自动继承输入数组dtype.另一方面,torch.Tensor是别名torch.FloatTensor.

因此,如果将int64数组传递给torch.Tensor,输出张量是浮动张量,它们不会共享存储.按预期torch.from_numpy给你torch.LongTensor.

a = np.arange(10)
ft = torch.Tensor(a)  # same as torch.FloatTensor
it = torch.from_numpy(a)

a.dtype  # == dtype('int64')
ft.dtype  # == torch.float32
it.dtype  # == torch.int64

Answer 3

这来自_torch_docs.py；这里还可以讨论“为什么”。

\n\n

def from_numpy(ndarray): # real signature unknown; restored from __doc__\n    """\n    from_numpy(ndarray) -> Tensor\n\n    Creates a :class:`Tensor` from a :class:`numpy.ndarray`.\n\n    The returned tensor and `ndarray` share the same memory. \n    Modifications to the tensor will be reflected in the `ndarray` \n    and vice versa. The returned tensor is not resizable.\n\n    Example::\n\n        >>> a = numpy.array([1, 2, 3])\n        >>> t = torch.from_numpy(a)\n        >>> t\n        torch.LongTensor([1, 2, 3])\n        >>> t[0] = -1\n        >>> a\n        array([-1,  2,  3])\n    """\n    pass\n

\n\n

取自numpy：

\n\n

\n

不同的 ndarrayndarrays可以共享相同的数据，因此在一个 ndarray 中所做的更改可能在另一个 ndarray 中可见。也就是说， anndarray可以是另一个 的 \xe2\x80\x9cview\xe2\x80\x9d ndarray，并且它所引用的数据由 \xe2\x80\x9cbase\xe2\x80\x9d 处理ndarray。

\n

\n\n

火炬docs：

\n\n

\n

如果numpy.ndarray、torch.Tensor、 或torch.Storage，则返回共享相同数据的新张量。如果给定 Python 序列，则会从该序列的副本创建一个新张量。

\n

\n