为什么 inplace Tensor 方法在 Torch C++ API 中是 const？
Why inplace Tensor methods are const in Torch C++ API?
我看到许多像 mul_ 和 div_ 这样的就地张量操作在 PyTorch C++ 前端是常量：
Tensor &mul_(Scalar other) const
似乎很奇怪，因为inplace操作应该修改张量数据，对吧？有谁知道使它们成为 const 背后的基本原理是什么？
我在 github 上找到了一些 discussions，但标题似乎与下面写的内容相矛盾：
'const Tensor' doesn't provide const safety ... Therefore, these methods should be non-const
正如评论和 this thread 所强调的那样，这个 const 是虚伪的，因为它适用于指向底层 TensorImpl 的指针，而不适用于数据本身。这只是为了编译优化，这里没有真正的语义。这类似于 const int*（指向 const int 的指针）和 int* const（指向 int 的常量指针）之间的区别。
Torch 中的 Const（resp. non-const）函数很容易识别，因为函数名称中没有（resp. 存在）最后一个下划线。
我看到许多像 mul_ 和 div_ 这样的就地张量操作在 PyTorch C++ 前端是常量：
Tensor &mul_(Scalar other) const
似乎很奇怪，因为inplace操作应该修改张量数据，对吧？有谁知道使它们成为 const 背后的基本原理是什么？
我在 github 上找到了一些 discussions，但标题似乎与下面写的内容相矛盾：
'const Tensor' doesn't provide const safety ... Therefore, these methods should be non-const
正如评论和 this thread 所强调的那样，这个 const 是虚伪的，因为它适用于指向底层 TensorImpl 的指针，而不适用于数据本身。这只是为了编译优化，这里没有真正的语义。这类似于 const int*（指向 const int 的指针）和 int* const（指向 int 的常量指针）之间的区别。
Torch 中的 Const（resp. non-const）函数很容易识别，因为函数名称中没有（resp. 存在）最后一个下划线。