[深度学习]关于给新变量赋原变量相同值的小tip

A = torch.arange(20, dtype=torch.float32).reshape(5, 4)
B = A
print(B)
A+=2
print(B)

输出

tensor([[ 0.,  1.,  2.,  3.],
        [ 4.,  5.,  6.,  7.],
        [ 8.,  9., 10., 11.],
        [12., 13., 14., 15.],
        [16., 17., 18., 19.]])
tensor([[ 2.,  3.,  4.,  5.],
        [ 6.,  7.,  8.,  9.],
        [10., 11., 12., 13.],
        [14., 15., 16., 17.],
        [18., 19., 20., 21.]])

使用B=A时，B与A公用相同地址，并未给B分配新地址

所以更改A之后，B的值也被更改。

想要使B与A是独立的两个变量，让A的更改不会影响到B的值

使用A.clone

A = torch.arange(20, dtype=torch.float32).reshape(5, 4)
B = A.clone()  # 通过分配新内存，将A的一个副本分配给B
A+2
B

输出

tensor([[ 0.,  1.,  2.,  3.],
        [ 4.,  5.,  6.,  7.],
        [ 8.,  9., 10., 11.],
        [12., 13., 14., 15.],
        [16., 17., 18., 19.]])

给B分配新地址，不更改B的值。