PyTorch张量引用与值传递：为何两段代码表现不同？

先看你给出的代码示例：

>>> mat = torch.ones(2,3); print(mat)
tensor([[1., 1., 1.],
        [1., 1., 1.]])
>>> a = mat[0,0]
>>> a = torch.tensor([99]); print(mat)
tensor([[1., 1., 1.],
        [1., 1., 1.]])
>>> row = mat[0,:]
>>> row[0] = torch.tensor([99]); print(mat)
tensor([[99.,  1.,  1.],
        [ 1.,  1.,  1.]])

差异的核心在于变量赋值的本质和PyTorch索引返回的对象类型：

• 第一种操作：a = mat[0,0]; a = torch.tensor([99])

  1. a = mat[0,0]：此时a指向mat中(0,0)位置的0维张量，相当于关联了mat对应位置的数据。
  2. a = torch.tensor([99])：这一步是重新给变量a赋值，让它指向一个全新创建的张量，完全切断了和mat的关联。全程没修改mat内存里的内容，所以mat不会变化。

• 第二种操作：row = mat[0,:]; row[0] = torch.tensor([99])

  1. row = mat[0,:]：PyTorch对张量做切片（比如取整行）时，返回的是原张量的视图（View）——视图和原张量共享同一块内存空间，只是维度或访问方式不同。
  2. row[0] = torch.tensor([99])：这一步是修改视图对应位置的内存值，因为视图和mat共享内存，所以mat中对应的位置也会被同步修改。

简单总结：前者是替换了变量指向的对象，后者是直接修改了共享内存里的数据。

内容的提问来源于stack exchange，提问作者puddles