torch.as_tensor

torch.as_tensor(data: Any, dtype: Optional[dtype] = None, device: Optional[DeviceLikeType]) → Tensor

将 data 转换为张量，尽可能地共享数据并保留 autograd 历史记录。

如果 data 已经是具有所需 dtype 和 device 的张量，则直接返回 data 本身。但如果 data 是具有不同 dtype 或 device 的张量，则会像使用 data.to(dtype=dtype, device=device) 一样进行复制。

如果 data 是具有相同 dtype 和 device 的 NumPy 数组 (ndarray)，则使用 torch.from_numpy() 构建张量。

如果 data 是 CuPy 数组，除非通过 device 显式覆盖，否则返回的张量将位于与 CuPy 数组相同的设备上。CuPy 数组的设备是通过数组指针使用 cudaPointerGetAttributes 推断的，除非 device 提供了显式设备索引。

另请参阅

torch.tensor() 绝不共享其数据，而是创建一个新的“叶子张量”（参见 Autograd 机制）。

参数

• data (array_like) – 张量的初始数据。可以是列表、元组、NumPy ndarray、标量以及其他类型。

• dtype (torch.dtype, optional) – 返回张量的期望数据类型。默认值：如果为 None，则从 data 推断数据类型。

• device (torch.device, optional) – 构造张量的设备。如果为 None 且 data 是张量，则使用 data 的设备。如果为 None 且 data 不是张量，则结果张量将在当前设备上构造。

示例

>>> a = numpy.array([1, 2, 3])
>>> t = torch.as_tensor(a)
>>> t
tensor([ 1,  2,  3])
>>> t[0] = -1
>>> a
array([-1,  2,  3])

>>> a = numpy.array([1, 2, 3])
>>> t = torch.as_tensor(a, device=torch.device('cuda'))
>>> t
tensor([ 1,  2,  3])
>>> t[0] = -1
>>> a
array([1,  2,  3])