这个赋值背后的逻辑是什么：了解numpy中的就地赋值操作答案

【问题标题】：What is the logic behind this assignment: understanding in-place assignment operations in numpy这个赋值背后的逻辑是什么：了解numpy中的就地赋值操作
【发布时间】：2020-02-07 03:23:36
【问题描述】：

我有两个相当简单的代码给出不同的答案。我知道这是由于共享的参考，但我不太清楚第二种情况到底发生了什么

a = np.ones(5)
b = torch.from_numpy(a)
a=np.add(a, 1, out=a)
print(a)
print(b)

[出]：

[2. 2. 2. 2. 2.]

张量([2., 2., 2., 2., 2.], dtype=torch.float64)

a = np.ones(5)
b = torch.from_numpy(a)
a=a+1
print(a)
print(b)

[出]：

[2. 2. 2. 2. 2.]

张量([1., 1., 1., 1., 1.], dtype=torch.float64)

为什么b在第二种情况下不改变？

【问题讨论】：

使用out=a 可确保将新值写入原始a 对象。使用a = a+1，结果是一个新数组，它不再与用于创建b 的a 对象有任何联系。这是基本的 Python 行为。一些操作就地修改对象，其他操作创建一个新对象。 a=.... 将新对象分配给变量a；它不会修改之前分配给它的对象。
@hpaulj 感谢您的出色见解！我已经在我的回答中链接了 Ned Batchelder 的演讲，其中也有一些关于这种行为的视觉说明:)

标签： python-3.x numpy reference pytorch numpy-ndarray

【解决方案1】：

在第一种情况下，a 和b 共享相同的内存（即b 是a 的视图，或者换句话说，b 指向（数组）值 其中a 也指向）和out 参数保证a 的相同内存在np.add() 操作完成后更新。而在第二种情况下，a 是一个新副本，而 a = a+1 和 b 仍然指向 a 的旧值。

尝试第二种情况：

a += 1

并观察a 和b 确实都更新了。

In [7]: a = np.ones(5) 
   ...: b = torch.from_numpy(a) 
   ...: a += 1   

In [8]: a  
Out[8]: array([2., 2., 2., 2., 2.])

In [9]: b 
Out[9]: tensor([2., 2., 2., 2., 2.], dtype=torch.float64)

作为@hpaulj aptly pointed out in his comment，当我们执行a = a+1 时，会创建一个新对象，a 现在将指向这个新的（数组）对象，而不是b 仍指向的旧对象。这就是b的（数组）值没有更新的原因。

为了更好地理解这种行为，您可能需要参考 Ned Batchelder 关于 how names are bind to values in Python 的优秀文章

【讨论】：

我不知道torch 对from_numpy 做了什么。 view 是一个特定的 numpy 术语，指的是共享底层数据缓冲区的新数组对象。 torch 可能就是这种情况，或者a 可能是b 的一个属性。在任何情况下，当将新数组分配给 a 时，该链接确实会保留。
@hpaulj torch.from_numpy() 只是从 numpy nd-array 读取并将其转换为 Torch 张量。但是，张量和 numpy 数组共享相同的内存。因此，其中一个的变化将反映在另一个中。
a+=1实际上等于a.__iadd__()，我猜numpy实现这个方法来替换a，这就是为什么a+=1也会改变b。