Condiciones compartidas entre Tensor y datos numpy en PyTorch:
Cuando estamos aprendiendo PyTorch, implicará la alta eficiencia de conversión entre el tipo de datos Tensor y los datos numpy, aquí porque se comparte su memoria de datos. Sin embargo, en la operación real, encontrará que los datos no se actualizan cuando numpy se transfiere a Tensor;
from __future__ import print_function
import numpy as np
import torch as t
'''
在实现numpy与Tensor数据互相操作时，数据是共享内存的；
但是我们在复制操作时，数据内存不是共享光的；
'''
a = np.zeros((2,2)).astype('int64')
b = t.Tensor(a) # 此时是复制的操作，不共享数据；
c = t.from_numpy(a)
print('-------a矩阵：——------')
print(a)
print('-------b矩阵：——------')
print(b)
print('-------c矩阵：——------')
print(c)
a[1]=1
print('修改后：')
print('-------a矩阵：——------')
print(a)
print('-------b矩阵：——------')
print(b)
print('-------c矩阵：——------')
print(c)
En este momento, podemos ver que la matriz de datos b no cambia, y la matriz c se actualiza a medida que se actualiza una matriz:
