引言

• 本文为个人记录学习使用pytorch来构建RNN代码过程中遇到的一些函数用法总结
• 本文主要包含pytorch中torch.from_numpy()以及其他与其功能类似的函数，有些注释可能存在错误，仅供参考

torch.from_numpy()

• 该函数功能就是从numpy.ndarray创建一个tensor张量

该方法创建的张量和ndarray是共享同一内存的，对张量的修改将反映在ndarray中，反之亦然。且返回的张量是不能调整大小的。

• 测试代码和测试结果展示

import torch
import numpy as np

# 效果展示
a=np.array([1,2,3,4])
print(a, type(a))
b = torch.from_numpy(a)
print(b, type(b))

其他与其功能类似的函数

• 除此之外还有其他几个方法也可以实现该功能：torch.Tensor(), torch.tensor()、torch.as_tensor()

其中torch.Tensor()是类构造函数，其余三种为工厂函数。工厂函数是指接受参数输入并返回特定类型对象的函数，其允许更多的动态对象创建，有更多的配置参数。通常情况下更倾向于选择工厂函数

• 结果上类构造函数和工厂函数的结果还是不太一样的,其实明显可以看到返回的数据类型中第一个返回结果是float类型
• 注1：在内存上区别，前两个方法是使用拷贝将数组中元素拷贝到张量中的，后两种是共享数据的，显然共享数据是可以节省空间的更加高效的(或者说这俩就是一种是深拷贝，一种是浅拷贝)
  • 如果想要使用拷贝的方式最优选是.tensor()，因为Tensor()是类构造函数，所以...； 如果使用共享方式最优选择是.as_tensor()，主要是因为后一个只能接收numpy数组，这个可以接收更多的数据结构
• 注2：numpy.ndaaray对象是分配在CPU上的，如果使用GPU的话，两种拷贝方法需要先将数据从CPU拷贝到GPU