为何torch.from_numpy()生成的Tensor在不同NumPy数组操作下表现不同？

torch.from_numpy()生成的PyTorch Tensor与原NumPy数组共享同一块内存空间，这是你观察到不同行为的核心原因，下面分别解析三种赋值操作的区别：

1. array[:] += 1：原地修改原数组内容 #

这行代码是对数组的切片原地赋值，它直接修改原数组内存中的数值，没有改变array变量指向的内存地址。因为Tensor和原数组共享内存，所以Tensor会同步显示修改后的结果。

对应代码运行结果：

[1 2 3 4 5 6 7 8 9] tensor([1, 2, 3, 4, 5, 6, 7, 8, 9])
[ 2  3  4  5  6  7  8  9 10] tensor([ 2,  3,  4,  5,  6,  7,  8,  9, 10])

2. array = array + 1：创建新数组并重新赋值 #

array + 1会触发NumPy的数组加法运算，生成一个全新的NumPy数组（存储加1后的数值），随后array变量被重新赋值，指向这个新数组的内存地址。而原来和Tensor共享内存的旧数组并未被修改，所以Tensor仍然显示旧数组的数值。

对应代码运行结果：

[1 2 3 4 5 6 7 8 9] tensor([1, 2, 3, 4, 5, 6, 7, 8, 9])
[ 2  3  4  5  6  7  8  9 10] tensor([1, 2, 3, 4, 5, 6, 7, 8, 9])

3. array += 1：原地更新原数组 #

在NumPy中，+=属于原地增量赋值操作（对应array.__iadd__(1)方法），它不会创建新数组，而是直接在原数组的内存空间中修改数值。因此共享内存的Tensor也会同步看到更新后的结果。

内容的提问来源于stack exchange，提问作者leaner18932