аюсь глубоко понять, как работает модель памяти PyTorch Tensor.

# input numpy array
In [91]: arr = np.arange(10, dtype=float32).reshape(5, 2)

# input tensors in two different ways
In [92]: t1, t2 = torch.Tensor(arr), torch.from_numpy(arr)

# their types
In [93]: type(arr), type(t1), type(t2)
Out[93]: (numpy.ndarray, torch.FloatTensor, torch.FloatTensor)

# ndarray 
In [94]: arr
Out[94]: 
array([[ 0.,  1.],
       [ 2.,  3.],
       [ 4.,  5.],
       [ 6.,  7.],
       [ 8.,  9.]], dtype=float32)

Я знаю, что тензоры PyTorchразделить буфер памяти NumPy ndarrays. Таким образом, изменение одного будет отражено в другом. Итак, здесь я нарезаю и обновляю некоторые значения в Тензорt2

In [98]: t2[:, 1] = 23.0

И, как и ожидалось, он обновляется вt2 а такжеarr так как они разделяют один и тот же буфер памяти.

In [99]: t2
Out[99]: 

  0  23
  2  23
  4  23
  6  23
  8  23
[torch.FloatTensor of size 5x2]


In [101]: arr
Out[101]: 
array([[  0.,  23.],
       [  2.,  23.],
       [  4.,  23.],
       [  6.,  23.],
       [  8.,  23.]], dtype=float32)

Но,t1 также обновляется, Помни чтоt1 был построен с использованиемtorch.Tensor() в то время какt2 был построен с использованиемtorch.from_numpy()

In [100]: t1
Out[100]: 

  0  23
  2  23
  4  23
  6  23
  8  23
[torch.FloatTensor of size 5x2]

Таким образом, независимо от того, используем ли мыtorch.from_numpy() или жеtorch.Tensor() построить тензор из ndarray,все такие тензоры и ndarrays совместно используют один и тот же буфер памяти.

Исходя из этого понимания, мой вопрос заключается в том, почемуtorch.from_numpy() существует, когда простоtorch.Tensor() может сделать работу?

Я посмотрел документацию по PyTorch, но в ней ничего не сказано? Есть идеи / предложения?