为什么在复制张量时建议使用 Tensor.clone().detach()？答案

【问题标题】：Why Tensor.clone().detach() is recommended when copying a tensor?为什么在复制张量时建议使用 Tensor.clone().detach()？
【发布时间】：2020-10-10 13:33:57
【问题描述】：

使用torch.tensor(sourcetensor) 和tensor.clone().detach() 复制张量有什么区别？

就像torch.tensor(srctsr) 总是复制数据，tensor.clone().detach() 也复制数据。

x = torch.tensor([1, 2, 3])
y1 = x.clone().detach()
y2 = torch.tensor(x)
x[0] = 0
print(y1, y2) # both are same

所以它们看起来完全一样。以下是 PyTorch 文档中关于 torch.tensor() 和 torch.clone().detach() 的解释

因此 torch.tensor(x) 等价于 x.clone().detach() 并且 torch.tensor(x, requires_grad=True) 等价于 x.clone().detach().requires_grad_(True) .推荐使用 clone() 和 detach() 的等价物。

那么如果它们彼此等价，为什么.clone().detach()比另一个更受欢迎？

【问题讨论】：

这能回答你的问题吗？ Pytorch preferred way to copy a tensor
好的。 “x 轴是创建的张量的维度，y 轴显示时间。该图是线性比例的。正如您所看到的，与其他三种方法相比，tensor() 或 new_tensor() 需要更多时间。”但是为什么会这样呢？
你最好在 PyTorch 官方论坛上提问，因为开发人员可以更好地回答。

标签： pytorch

【解决方案1】：

区别描述在here。为了完整起见，我正在添加一些文本（来自链接）。

torch.tensor() 总是复制数据。如果你有张量数据并且想避免复制，请使用 torch.Tensor.requires_grad_() 或 torch.Tensor.detach()。
当 data 是张量 x 时，torch.tensor() 从传递的任何内容中读取“数据”，并构造一个叶变量。因此 torch.tensor(x) 等价于 x.clone().detach() 并且 torch.tensor(x, requires_grad=True) 等价于 x.clone().detach().requires_grad_(True)。推荐使用 clone() 和 detach() 的等价物。

【讨论】：

我也读过。但是，区别尚不清楚。我添加了详细信息。
我想做x.clone().detach()，但是如果x 是一个整数，我怎样才能使x 成为一个实际的张量？
@tailsparkrabbitear 你可以使用x_tensor = torch.tensor([x])制作张量