Pytorch内存模型：“ torch.from_numpy（）”如何工作？

Question

我想深入了解torch.from_numpy()的工作原理。

import numpy as np
import torch

arr = np.zeros((3, 3), dtype=np.float32)
t = torch.from_numpy(arr)
print("arr: {0}\nt: {1}\n".format(arr, t))

arr[0,0]=1
print("arr: {0}\nt: {1}\n".format(arr, t))

print("id(arr): {0}\nid(t): {1}".format(id(arr), id(t)))

输出看起来像这样：

arr: [[0. 0. 0.]
 [0. 0. 0.]
 [0. 0. 0.]]
t: tensor([[0., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.]])

arr: [[1. 0. 0.]
 [0. 0. 0.]
 [0. 0. 0.]]
t: tensor([[1., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.]])

id(arr): 2360964353040
id(t): 2360964352984

这是torch.from_numpy()中文档的一部分：

from_numpy（ndarray）->张量

从：class：Tensor创建一个：class：numpy.ndarray。

返回的张量和：attr：ndarray 共享相同的内存。修改张量将反映在：attr：ndarray中，反之亦然。返回的张量不可调整大小。

这是来自id()的文档：

返回对象的标识。

这在同时存在的对象中保证是唯一的。（CPython使用对象的内存地址。）

所以问题来了：由于ndarray arr和张量t共享相同的内存，为什么它们具有不同的内存地址？

有什么想法/建议吗？

Answer 1

是，t和arr是不同的Python对象，位于不同的内存区域（因此，不同的id），但是都指向包含数据的同一内存地址（连续（通常为C）数组）。