torch.asarray 和 torch.as_tensor 是 PyTorch 中用于将输入数据转换为张量的两个函数，但它们的行为和用途有一些区别。

1. torch.asarray

  • 功能: torch.asarray 是 PyTorch 1.10 版本引入的一个函数，用于将输入数据（如列表、NumPy 数组等）转换为 PyTorch 张量。

  • 行为:

    • 如果输入数据已经是一个 PyTorch 张量，torch.asarray 会直接返回该张量。
    • 如果输入数据是一个 NumPy 数组，torch.asarray 会创建一个新的张量，并且默认情况下不会共享内存（即会进行数据拷贝）。
    • 如果输入数据是其他类型（如列表），torch.asarray 会将其转换为张量。
  • 内存共享: 默认情况下，torch.asarray 不会共享内存，除非输入数据已经是 PyTorch 张量。

2. torch.as_tensor

  • 功能: torch.as_tensor 也是用于将输入数据转换为 PyTorch 张量的函数。

  • 行为:

    • 如果输入数据已经是一个 PyTorch 张量，torch.as_tensor 会直接返回该张量。
    • 如果输入数据是一个 NumPy 数组，torch.as_tensor 会尝试共享内存（即不会进行数据拷贝），除非数据类型不兼容。
    • 如果输入数据是其他类型（如列表），torch.as_tensor 会将其转换为张量。
  • 内存共享: torch.as_tensor 会尽可能共享内存，以减少内存开销。

主要区别

  • 内存共享: torch.as_tensor 会尽可能共享内存，而 torch.asarray 默认情况下不会共享内存（除非输入已经是 PyTorch 张量）。
  • 使用场景: 如果你希望减少内存开销并且输入数据是 NumPy 数组，torch.as_tensor 是更好的选择。如果你希望确保数据拷贝并且不共享内存，可以使用 torch.asarray。

示例

import torch
import numpy as np

# 创建一个 NumPy 数组
np_array = np.array([1, 2, 3])

# 使用 torch.asarray
tensor1 = torch.asarray(np_array)
print(tensor1)  # 输出: tensor([1, 2, 3], dtype=torch.int32)
print(tensor1.data_ptr() == np_array.__array_interface__['data'][0])  # 输出: False (不共享内存)

# 使用 torch.as_tensor
tensor2 = torch.as_tensor(np_array)
print(tensor2)  # 输出: tensor([1, 2, 3], dtype=torch.int32)
print(tensor2.data_ptr() == np_array.__array_interface__['data'][0])  # 输出: True (共享内存)

在这个例子中，torch.as_tensor 共享了 NumPy 数组的内存，而 torch.asarray 创建了一个新的张量，没有共享内存。

总结来说，torch.as_tensor 更适合在需要共享内存的场景中使用，而 torch.asarray 更适合在需要确保数据独立性的场景中使用。