torch.asarray

torch.asarray(obj, *, dtype=None, device=None, copy=None, requires_grad=False) → Tensor

将 obj 转换为张量。

obj 可以是以下之一

1. 张量

2. NumPy 数组或 NumPy 标量

3. DLPack 胶囊

4. 实现 Python 缓冲协议的对象

5. 标量

6. 标量序列

当 obj 是张量、NumPy 数组或 DLPack 胶囊时，返回的张量默认情况下将不需要梯度、具有与 obj 相同的数据类型、位于同一设备上，并与其共享内存。这些属性可以通过 dtype、device、copy 和 requires_grad 关键字参数进行控制。如果返回的张量的数据类型不同、位于不同的设备上，或请求复制，则它将不会与其共享内存 obj。如果 requires_grad 为 True，则返回的张量将需要梯度，如果 obj 也是具有 autograd 历史记录的张量，则返回的张量将具有相同的历史记录。

当 obj 不是张量、NumPy 数组或 DLPack 胶囊，而是实现了 Python 缓冲协议，则缓冲区将被解释为字节数组，这些字节数组根据传递给 dtype 关键字参数的数据类型的大小进行分组。（如果没有传递数据类型，则使用默认浮点数据类型。）返回的张量将具有指定的数据类型（如果未指定，则使用默认浮点数据类型），默认情况下位于 CPU 设备上，并与缓冲区共享内存。

当 obj 不是上述任何一种，而是 NumPy 标量时，返回的张量将是 CPU 上的 0 维张量，并且不与其共享内存（即 copy=True）。默认情况下，数据类型将是与 NumPy 标量的数据类型相对应的 PyTorch 数据类型。

当 obj 不是上述任何一种，而是标量或标量序列时，返回的张量默认情况下将从标量值推断其数据类型，位于当前默认设备上，并且不与其共享内存。

另请参阅

torch.tensor() 创建一个始终从输入对象复制数据的张量。 torch.from_numpy() 创建一个始终与 NumPy 数组共享内存的张量。 torch.frombuffer() 创建一个始终与实现缓冲协议的对象共享内存的张量。 torch.from_dlpack() 创建一个始终与 DLPack 胶囊共享内存的张量。

参数

obj (对象) – 张量、NumPy 数组、DLPack 胶囊、实现 Python 缓冲协议的对象、标量或标量序列。

关键字参数

• dtype (torch.dtype, 可选) – 返回张量的 datatype。默认值：None，这会导致返回张量的 datatype 从 obj 推断得出。

• copy (布尔值, 可选) – 控制返回的张量是否与 obj 共享内存。默认值：None，这会导致返回的张量尽可能与 obj 共享内存。如果为 True，则返回的张量不会共享其内存。如果为 False，则返回的张量会与其共享其内存 obj 并且如果无法共享，则会抛出错误。

• device (torch.device, 可选) – 返回张量的设备。默认值：None，这会导致使用 obj 的设备。或者，如果 obj 是 Python 序列，则将使用当前默认设备。

• requires_grad (布尔值, 可选) – 返回的张量是否需要梯度。默认值：False，这会导致返回的张量不需要梯度。如果为 True，则返回的张量将需要梯度，如果 obj 也是具有自动梯度历史的张量，则返回的张量将具有相同的历史。

示例

>>> a = torch.tensor([1, 2, 3])
>>> # Shares memory with tensor 'a'
>>> b = torch.asarray(a)
>>> a.data_ptr() == b.data_ptr()
True
>>> # Forces memory copy
>>> c = torch.asarray(a, copy=True)
>>> a.data_ptr() == c.data_ptr()
False

>>> a = torch.tensor([1., 2., 3.], requires_grad=True)
>>> b = a + 2
>>> b
tensor([3., 4., 5.], grad_fn=<AddBackward0>)
>>> # Shares memory with tensor 'b', with no grad
>>> c = torch.asarray(b)
>>> c
tensor([3., 4., 5.])
>>> # Shares memory with tensor 'b', retaining autograd history
>>> d = torch.asarray(b, requires_grad=True)
>>> d
tensor([3., 4., 5.], grad_fn=<AddBackward0>)

>>> array = numpy.array([1, 2, 3])
>>> # Shares memory with array 'array'
>>> t1 = torch.asarray(array)
>>> array.__array_interface__['data'][0] == t1.data_ptr()
True
>>> # Copies memory due to dtype mismatch
>>> t2 = torch.asarray(array, dtype=torch.float32)
>>> array.__array_interface__['data'][0] == t2.data_ptr()
False

>>> scalar = numpy.float64(0.5)
>>> torch.asarray(scalar)
tensor(0.5000, dtype=torch.float64)