初始化张量时，torch.Tensor()和torch.from_numpy()区别

1. torch.Tensor():

   • torch.Tensor() 是 PyTorch 中一个泛化的构造函数，用于创建一个新的张量。
   • 当调用 torch.Tensor() 时，可以指定张量的维度来创建一个未初始化的张量，其元素可以是任意值，因为它们来自于分配的内存块中的原始值。例如 torch.Tensor(2, 3) 将会创建一个大小为 2x3 的未初始化张量。
   • 除了未初始化的张量，torch.Tensor() 也可以用来创建具有特定类型和/或值的张量，例如 torch.Tensor([1, 2, 3]) 将会创建一个包含元素 [1, 2, 3] 的一维张量。

2. torch.from_numpy():

   • torch.from_numpy() 是一个专用的函数，用于将已存在的 NumPy 数组转换成 PyTorch 张量。
   • 与 torch.Tensor() 不同，torch.from_numpy() 不会创建数组数据的副本；而是创建一个包裹原始 NumPy 数组的张量，这意味着 PyTorch 张量和 NumPy 数组将共享底层内存。因此，对一个结构的改变会反映到另一个结构上。
   • 需要注意的是，只有当 NumPy 数组的 dtype 兼容 PyTorch 张量时，才能使用 torch.from_numpy()。如果不兼容，可能需要先使用 NumPy 的 astype 方法来转换 dtype。

使用 torch.Tensor():

import torch

# 创建未初始化的张量
uninitialized_tensor = torch.Tensor(3, 4) # 3x4 维度的张量

# 创建已初始化的张量
initialized_tensor = torch.Tensor([1, 2, 3]) # 具有给定值的一维张量

使用 torch.from_numpy():

import torch
import numpy as np

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

# 转换 NumPy 数组到 PyTorch 张量
tensor_from_numpy = torch.from_numpy(np_array)

# 改变原始 NumPy 数组，PyTorch 张量也会随之改变
np_array[1] = -2
# 此时 tensor_from_numpy 也会变成 tensor([ 1, -2,  3])

        正因为这两个函数的这些差异，开发者需要根据实际场景和数据处理的需求来选择使用哪一种。如果你想要从现有的 NumPy 数组创建一个张量，并且希望二者能共享数据，torch.from_numpy() 是一个很好的选择。但如果你需要创建一个新的张量（无论是否初始化），则应该使用 torch.Tensor() 或者其他的像 torch.zeros()、torch.ones() 这样的特定初始化方法。