原連結：https://blog.csdn.net/qq_28418387/article/details/97971328

作者：AI學渣

前言
tensor是Pytorch中資料的基礎單元，那麼如何建立tensor，pytorch中提供了以下四種方式：

torch.Tensor()
torch.tensor()
torch.as_tensor()
torch.from_numpy()
那麼這四種建立tensor的方式有什麼區別呢，在具體使用中應該如何選擇？

1、型別結構的區別
除了torch.Tensor()是類之外，其他三個都是函式

2、tensor資料型別的區別
可以先舉個例子，首先建立一個numpy陣列，分別使用這四種方式建立tensor，並列印輸出，我們來看看輸出的tensor的區別

從結果可以看出，初始狀態為 整型的numpy陣列，後三個的dtype都變成了torch.int32型別，只有第一個tensor好像變成了浮點型，我們再分別列印他們的dtype型別

torch.Tensor()果然是將整型的numpy陣列轉化成了torch.float32的浮點型別，那麼為什麼會有這樣的轉化呢？實際上，torch.Tensor()是將numpy陣列轉化成了tensor的預設資料型別，我們來看看tensor的預設資料型別是不是torch.float32型別

通過torch.get_default_dtype()函式獲取到了tensor的預設資料型別，果然是torch.float32。

其他三種方法預設的是繼承輸入numpy資料型別，輸入的是int整型，那麼轉化生成的tensor就是整型的，輸入的是float浮點型，那麼轉化生成的就是浮點型

其他三種方法還提供了設定資料型別的引數dtype，在轉換的過程中可以設定成我們想要的資料型別

3、儲存方式的區別
我們接著上面的例子往下看，此時我們修改原numpy陣列中的元素，看看經過四種方法轉換後的tensor會不會有什麼變化

發現了沒有，在修改了原numpy陣列中的元素之後，前兩種方法轉換出來的tensor並沒有發生改變，這符合我們的正常邏輯，因為經過了轉換相當於複製了一份，原陣列的改變就不會影響轉換後的tensor；而後兩種方法轉換出來的tensor本質上是和原陣列共享記憶體的，所以numpy的變化也會導致轉換後的tensor的變化。
那我們現在將變換後的tensor改回原來的值，看看原numpy陣列是否也跟著發生了變化

原numpy陣列也發生了變化！

4、tensor建立方法的選擇
經過對比了之後，那麼平時我們應該如何選擇哪種方法來建立tensor呢？
在不考慮效能方面，一般情況下我們使用**torch.tensor()方法居多，那麼如果要考慮效能方面，首先肯定是要從torch.as_tensor()以及torch.from_numpy()**這兩種方法中選擇，因為在建立tensor的過程中，它倆是共享記憶體的，不需要額外建立一份資料，。
但是這兩個中選擇哪個呢，答案是：torch.as_tensor()，因為torch.as_tensor()和torch.from_numpy()之間有個區別就是，torch.from_numpy()只能接收numpy陣列，而torch.as_tensor()不僅可以接收numpy陣列，還可以接收python的list型別資料