torch.asarray¶
- torch.asarray(obj: Any, *, dtype: Optional[dtype], device: Optional[DeviceLikeType], copy: Optional[bool] = None, requires_grad: bool = False) Tensor ¶
将
obj
转换为张量(tensor)。obj
可以是以下类型之一:一个张量(tensor)
一个 NumPy 数组或 NumPy 标量
一个 DLPack capsule
一个实现 Python buffer protocol(缓冲区协议)的对象
一个标量
一个标量序列
当
obj
是张量、NumPy 数组或 DLPack capsule 时,返回的张量默认不要求梯度、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
关键字参数控制。如果返回的张量数据类型不同、位于不同设备上或请求了复制,则它将不与obj
共享内存。如果requires_grad
为True
,则返回的张量将要求梯度,并且如果obj
也是一个具有 autograd 历史的张量,则返回的张量将具有相同的历史。当
obj
不是张量、NumPy 数组或 DLPack capsule,但实现了 Python buffer protocol(缓冲区协议)时,缓冲区被解释为一个字节数组,这些字节根据传递给dtype
关键字参数的数据类型大小进行分组。(如果没有传递数据类型,则使用默认的浮点数据类型。)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),并且默认位于 CPU 设备上并与缓冲区共享内存。当
obj
是 NumPy 标量时,返回的张量将是 CPU 上的 0 维张量,且不共享内存(即copy=True
)。默认情况下,数据类型将是与 NumPy 标量数据类型对应的 PyTorch 数据类型。当
obj
既不是上述类型,而是一个标量或标量序列时,返回的张量将默认从标量值推断其数据类型,位于当前默认设备上,且不共享内存。另请参阅
torch.tensor()
创建的张量总是从输入对象复制数据。torch.from_numpy()
创建的张量总是与 NumPy 数组共享内存。torch.frombuffer()
创建的张量总是与实现 buffer protocol(缓冲区协议)的对象共享内存。torch.from_dlpack()
创建的张量总是与 DLPack capsules 共享内存。- 参数
obj (object) – 张量、NumPy 数组、DLPack Capsule、实现 Python buffer protocol(缓冲区协议)的对象、标量或标量序列。
- 关键字参数
dtype (
torch.dtype
, optional) – 返回张量的数据类型。默认值:None
,此时返回张量的数据类型将从obj
推断。copy (bool, optional) – 控制返回的张量是否与
obj
共享内存。默认值:None
,此时返回的张量会尽可能与obj
共享内存。如果为True
,则返回的张量不共享内存。如果为False
,则返回的张量与obj
共享内存,如果无法共享则抛出错误。device (
torch.device
, optional) – 返回张量的设备。默认值:None
,此时将使用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 (bool, optional) – 返回张量是否需要梯度。默认值:
False
,此时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,并且如果obj
也是一个具有 autograd 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)