torch.tensor 和 torch.from_numpy 都是用于在 PyTorch 中创建张量的函数，但它们有一些重要的区别，尤其是在数据类型转换和共享内存方面
1. torch.tensor
torch.tensor 是 PyTorch 中的一个常用函数，用于从数据（如列表、数组等）创建一个新的张量。无论传入的数据是 Python 列表还是 NumPy 数组，torch.tensor 都会 创建一个新的张量，这个张量是原数据的深拷贝。因此，张量和原始数据之间 不共享内存，修改张量的值不会影响原始数据，反之亦然。
示例：
import torch
import numpy as np# 从列表创建张量
data = [1, 2, 3]
tensor = torch.tensor(data)# 修改tensor不会影响原始数据
tensor[0] = 0
print(tensor) # 输出: tensor([0, 2, 3])
print(data) # 输出: [1, 2, 3]，列表未被修改
特点：
- 深拷贝：创建的新张量和原始数据不共享内存。
- 数据类型转换：如果传入的数据类型与默认的张量数据类型不同（例如：NumPy 数组），
torch.tensor会自动将数据转换为默认的 PyTorch 张量类型（通常是torch.float32）。
优势：
- 适合从各种数据类型（Python 列表、元组等）生成张量。
- 由于深拷贝，不会影响原始数据，适合在需要独立管理张量和数据时使用。
2. torch.from_numpy
torch.from_numpy 专门用于将 NumPy 数组 转换为 PyTorch 张量。它与 torch.tensor 的最大区别在于，torch.from_numpy 不会 拷贝数据，而是 共享内存。这意味着生成的张量和原始的 NumPy 数组指向同一个内存区域，修改其中任何一个都会影响另一个。
示例：
import torch
import numpy as np# 从NumPy数组创建张量
np_array = np.array([1, 2, 3])
tensor = torch.from_numpy(np_array)# 修改张量会影响原始的NumPy数组
tensor[0] = 0
print(tensor) # 输出: tensor([0, 2, 3])
print(np_array) # 输出: [0 2 3]，NumPy数组也被修改了
特点：
- 共享内存：转换生成的张量和原始的 NumPy 数组共享内存，修改其中一个会影响另一个。
- 数据类型限制：
torch.from_numpy仅支持 NumPy 数组，而且 NumPy 数组的数据类型必须是float32、float64、int32、int64等 PyTorch 支持的类型。如果数据类型不支持，会报错。
优势：
- 适合需要在 NumPy 和 PyTorch 之间高效转换和共享数据的场景，避免不必要的深拷贝，节省内存。
- 在需要与 NumPy 代码进行集成时非常方便，例如当你需要将 NumPy 数据输入到 PyTorch 模型中训练时。
3. 关键区别
| 功能 | torch.tensor | torch.from_numpy |
|---|---|---|
| 数据来源 | Python 列表、NumPy 数组等 | 只支持 NumPy 数组 |
| 内存共享 | 不共享内存（深拷贝） | 共享内存 |
| 数据类型转换 | 自动将输入数据转换为 PyTorch 的默认数据类型 | 维持 NumPy 数组的数据类型，且只支持部分数据类型 |
| 适用场景 | 当不需要与原始数据共享内存时，或从列表等创建 | 需要高效地将 NumPy 数据与 PyTorch 张量共享内存时 |
4. 使用场景
1. 使用 torch.tensor
- 深拷贝数据：适合在不希望原始数据（如 NumPy 数组或 Python 列表）被修改的场景下使用。
- 数据类型转换：当你想要自动转换输入数据类型为 PyTorch 默认类型时可以使用。
2. 使用 torch.from_numpy
- 共享内存：适合在内存敏感的应用中使用，因为不会进行数据拷贝，尤其是大数据量的场景下。
- 快速互操作：当你需要在 PyTorch 和 NumPy 之间频繁转换数据时，这种方法可以节省大量时间和内存。
总结
torch.tensor适用于从任何类型的数据创建独立的张量，并不与原始数据共享内存，适合需要深拷贝和数据隔离的场景。torch.from_numpy适合从 NumPy 数组快速创建张量，且共享内存，适合在需要高效数据传递和共享内存的场景下使用。
