torch.asarray

torch.asarray(obj: Any, *, dtype: Optional[dtype], device: Optional[DeviceLikeType], copy: Optional[bool] = None, requires_grad: bool = False) → Tensor

將 obj 轉換為張量（tensor）。

obj 可以是以下型別之一：

1. 一個張量（tensor）

2. 一個 NumPy 陣列或 NumPy 標量

3. 一個 DLPack capsule

4. 一個實現 Python buffer protocol（緩衝區協議）的物件

5. 一個標量

6. 一個標量序列

當 obj 是張量、NumPy 陣列或 DLPack capsule 時，返回的張量預設不要求梯度、具有與 obj 相同的資料型別、位於同一裝置上並與其共享記憶體。這些屬性可以透過 dtype、device、copy 和 requires_grad 關鍵字引數控制。如果返回的張量資料型別不同、位於不同裝置上或請求了複製，則它將不與 obj 共享記憶體。如果 requires_grad 為 True，則返回的張量將要求梯度，並且如果 obj 也是一個具有 autograd 歷史的張量，則返回的張量將具有相同的歷史。

當 obj 不是張量、NumPy 陣列或 DLPack capsule，但實現了 Python buffer protocol（緩衝區協議）時，緩衝區被解釋為一個位元組陣列，這些位元組根據傳遞給 dtype 關鍵字引數的資料型別大小進行分組。（如果沒有傳遞資料型別，則使用預設的浮點資料型別。）返回的張量將具有指定的資料型別（如果未指定則使用預設浮點資料型別），並且預設位於 CPU 裝置上並與緩衝區共享記憶體。

當 obj 是 NumPy 標量時，返回的張量將是 CPU 上的 0 維張量，且不共享記憶體（即 copy=True）。預設情況下，資料型別將是與 NumPy 標量資料型別對應的 PyTorch 資料型別。

當 obj 既不是上述型別，而是一個標量或標量序列時，返回的張量將預設從標量值推斷其資料型別，位於當前預設裝置上，且不共享記憶體。

另請參閱

torch.tensor() 建立的張量總是從輸入物件複製資料。torch.from_numpy() 建立的張量總是與 NumPy 陣列共享記憶體。torch.frombuffer() 建立的張量總是與實現 buffer protocol（緩衝區協議）的物件共享記憶體。torch.from_dlpack() 建立的張量總是與 DLPack capsules 共享記憶體。

引數

obj (object) – 張量、NumPy 陣列、DLPack Capsule、實現 Python buffer protocol（緩衝區協議）的物件、標量或標量序列。

關鍵字引數

• dtype (torch.dtype, optional) – 返回張量的資料型別。預設值：None，此時返回張量的資料型別將從 obj 推斷。

• copy (bool, optional) – 控制返回的張量是否與 obj 共享記憶體。預設值：None，此時返回的張量會盡可能與 obj 共享記憶體。如果為 True，則返回的張量不共享記憶體。如果為 False，則返回的張量與 obj 共享記憶體，如果無法共享則丟擲錯誤。

• device (torch.device, optional) – 返回張量的裝置。預設值：None，此時將使用 obj 的裝置。或者，如果 obj 是 Python 序列，則將使用當前預設裝置。

• requires_grad (bool, optional) – 返回張量是否需要梯度。預設值：False，此時返回的張量不需要梯度。如果為 True，則返回的張量將需要梯度，並且如果 obj 也是一個具有 autograd 歷史的張量，則返回的張量將具有相同的歷史。

示例

>>> a = torch.tensor([1, 2, 3])
>>> # Shares memory with tensor 'a'
>>> b = torch.asarray(a)
>>> a.data_ptr() == b.data_ptr()
True
>>> # Forces memory copy
>>> c = torch.asarray(a, copy=True)
>>> a.data_ptr() == c.data_ptr()
False

>>> a = torch.tensor([1., 2., 3.], requires_grad=True)
>>> b = a + 2
>>> b
tensor([3., 4., 5.], grad_fn=<AddBackward0>)
>>> # Shares memory with tensor 'b', with no grad
>>> c = torch.asarray(b)
>>> c
tensor([3., 4., 5.])
>>> # Shares memory with tensor 'b', retaining autograd history
>>> d = torch.asarray(b, requires_grad=True)
>>> d
tensor([3., 4., 5.], grad_fn=<AddBackward0>)

>>> array = numpy.array([1, 2, 3])
>>> # Shares memory with array 'array'
>>> t1 = torch.asarray(array)
>>> array.__array_interface__['data'][0] == t1.data_ptr()
True
>>> # Copies memory due to dtype mismatch
>>> t2 = torch.asarray(array, dtype=torch.float32)
>>> array.__array_interface__['data'][0] == t2.data_ptr()
False

>>> scalar = numpy.float64(0.5)
>>> torch.asarray(scalar)
tensor(0.5000, dtype=torch.float64)