为什么复制张量时建议使用 Tensor.clone().detach() ？

Question

torch.tensor(sourcetensor)使用和复制张量有什么区别tensor.clone().detach()？

---

就像torch.tensor(srctsr)总是复制数据一样，tensor.clone().detach()也复制数据。

x = torch.tensor([1, 2, 3])
y1 = x.clone().detach()
y2 = torch.tensor(x)
x[0] = 0
print(y1, y2) # both are same

所以他们看起来是完全一样的。torch.tensor()下面是 PyTorch 文档中给出的关于和 的解释torch.clone().detach()

因此 torch.tensor(x) 等价于 x.clone().detach() 且 torch.tensor(x, require_grad=True) 等价于 x.clone().detach().requires_grad_(True)。建议使用 clone() 和 detach() 的等效方法。

那么，如果它们彼此相当，为什么.clone().detach()比另一个更受青睐呢？

Answer 1

此处描述了差异。为了完整起见，我添加了一些文本（来自链接）。

\n

\n

• torch.tensor() 总是复制数据。如果您有张量数据并希望避免复制，请使用 torch.Tensor.requires_grad_() 或 torch.Tensor.detach()。

  \n
\n

• 当 data 是张量 x 时，torch.tensor() 从传递的任何内容中读取 \xe2\x80\x98 和 data\xe2\x80\x99 ，并构造一个叶变量。因此 torch.tensor(x) 等价于 x.clone().detach() 且 torch.tensor(x, require_grad=True) 等价于 x.clone().detach().requires_grad_(True)。建议使用 clone() 和 detach() 的等效方法。

  \n
\n

\n