Pytorch中view、索引、numpy与tensor的转换中的内存共享问题

View

通过view，可以改变tensor的视图，例如可以将一个5*3的tensor转化为1*15的形式

代码

x = torch.rand(5, 3)  #一个5*3的tensor y = x.view(15)           #将其转化为1*15的视角 z = x.view(-1, 5)       # -1指该维度可以根据其它维度自动计算，例如此处由于规定列是5，所以行应当为3

需要注意的是，view返回的新tensor与源tensor共享内存！也就是说，view只不过是改变了对同一对象的观察角度而已，如果更改新tensor，源tensor也会发生改变。

索引

我们可以通过类似numpy中的操作来对tensor中的部分数据进行访问。

同样需要注意的是，索引出来的结果与源数据共享内存！所以如果我们操作索引出来的切片，源数据也会发生改变

代码

x = torch.rand(5, 3) y = x[1, :] #取出第一行的所有数据

运算的内存开销

View和索引都是不会开辟新内存的，但是形如 ` y = y + x` 这样的运算，是会为y开辟一个新内存的，也就是说，并不是覆盖了原来的y所在位置的数据，而是直接分配了一个新的地址。

如果我们希望将结果指定到原来的y，那么可以通过以下几种操作实现

代码

y[ : ] = y + x torch.add(x, y, out = y)  #通过out参数来指定结果应该置于什么位置 y += x      #使用+=符号赋值，修改的是源数据 y.add_(x)

numpy与tensor的互相转换

numpy()和from_numpy（）两个函数可以方便的进行互换，但是需要注意的是，两个函数所产生的tensor和numpy中的数组是共享内存的，所以这种方法运行速度比较快，改变其中一个，另一个也会改变。（有点类似与view，只不过view是更换了观察维度的角度，而这两个函数则是更换了类型的观察角度）

除了上面的两个函数，还可以通过` torch.tensor()` 来将numpy转化为tensor，需要注意的是，这种方法会进行数据的拷贝，也就是说tensor与numpy并不会共享同一个内存

代码

# tensor转numpy x = torch.rand(5, 3) y = x.numpy()   # numpy转tensor x = np.ones(5) y = torch.from_numpy(x)   # 使用torch.tensor()通过numpy来初始化一个tensor x = np.ones(5) y = torch.tensor(x)