python – PyTorch内存模型：“torch.from_numpy()”vs“torch.Tensor()”
内容导读
互联网集市收集整理的这篇技术教程文章主要介绍了python – PyTorch内存模型：“torch.from_numpy()”vs“torch.Tensor()”，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含1685字，纯文字阅读大概需要3分钟。
内容图文
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 t2中的一些值
In [98]: t2[:, 1] = 23.0
正如预期的那样,它在t2和arr中更新,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也会更新.请记住,t1是使用torch.Tensor()构建的,而t2是使用torch.from_numpy()构造的.
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,为什么只有torch.Tensor()可以完成工作时才存在专用功能torch.from_numpy()？
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？
解决方法:
from_numpy()自动继承输入数组dtype.另一方面,torch.Tensor是torch.FloatTensor的别名.
因此,如果将int64数组传递给torch.Tensor,则输出张量为浮动张量,它们不会共享存储. torch.from_numpy按照预期给你火炬.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
内容总结
以上是互联网集市为您收集整理的python – PyTorch内存模型：“torch.from_numpy()”vs“torch.Tensor()”全部内容，希望文章能够帮你解决python – PyTorch内存模型：“torch.from_numpy()”vs“torch.Tensor()”所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。
内容备注
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。
内容手机端
扫描二维码推送至手机访问。