更改 np 数组不会自动更改 Torch 张量？

Question

我正在学习 PyTorch 的基础教程，遇到了 NumPy 数组和 Torch 张量之间的转换。文档说：

The Torch Tensor and NumPy array will share their underlying memory locations, and changing one will change the other.

但是，在下面的代码中似乎并非如此：

import numpy as np

a = np.ones((3,3))
b = torch.from_numpy(a)

np.add(a,1,out=a)
print(a)
print(b)

在上述情况下，我看到更改自动反映在输出中：

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

但是当我写这样的东西时不会发生同样的事情:

a = np.ones((3,3))
b = torch.from_numpy(a)

a = a + 1
print(a)
print(b)

我得到以下输出：

[[2. 2. 2.]
 [2. 2. 2.]
 [2. 2. 2.]]
tensor([[1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.]], dtype=torch.float64)

我在这里错过了什么？

Answer 1

任何时候你写一个 = 登录 Python 你都在创建一个新对象。

所以在 第二种情况 中表达式的右侧使用原始 a 然后计算为一个新对象，即 a + 1，它替换了原来的一种。 b仍然指向原来a的内存位置，但现在a指向内存中的新对象。

换句话说，在 a = a + 1 中，表达式 a + 1 创建一个新对象，然后 Python 将该新对象分配给名称 a。

然而，对于 a += 1，Python 使用参数 1 调用 a 的就地添加方法 (__iadd__)。

numpy 代码：np.add(a,1,out=a)，在第一种情况下负责将该值添加到现有数组中。

（感谢@Engineero and @Warren Weckesser在评论中指出这些解释）

Changing the np array does not change the Torch Tensor automatically?