为何修改NumPy数组时，部分操作会同步改变转换后的PyTorch Tensor？

当将NumPy数组转换为PyTorch Tensor后，不同修改方式会导致Tensor值是否同步变化，示例如下：

初始状态 #

import numpy as np
import torch

array = np.arange(1., 8.)
tensor = torch.from_numpy(array)
array, tensor

输出：

(array([1., 2., 3., 4., 5., 6., 7.]),
 tensor([1., 2., 3., 4., 5., 6., 7.], dtype=torch.float64))

原地修改：Tensor同步变化 #

array = np.arange(1., 8.)
tensor = torch.from_numpy(array)
array += 1
array, tensor

输出：

(array([2., 3., 4., 5., 6., 7., 8.]),
 tensor([2., 3., 4., 5., 6., 7., 8.], dtype=torch.float64))

重新赋值：Tensor不变化 #

array = np.arange(1., 8.)
tensor = torch.from_numpy(array)
array = array + 1
array, tensor

输出：

(array([2., 3., 4., 5., 6., 7., 8.]),
 tensor([1., 2., 3., 4., 5., 6., 7.], dtype=torch.float64))

重新赋值后再原地修改：Tensor仍不变化 #

array = np.arange(1., 8.)
tensor = torch.from_numpy(array)
array = array + 1
array += 1
array, tensor

输出：

(array([3., 4., 5., 6., 7., 8., 9.]),
 tensor([1., 2., 3., 4., 5., 6., 7.], dtype=torch.float64))

原因解析 #

核心在于内存共享机制和两种赋值操作的本质差异：

• torch.from_numpy()（以及反向的tensor.numpy()）默认让Tensor和NumPy数组共享同一块内存空间，而非创建数据副本。
• array += 1是原地修改操作：直接在原数组的内存地址中更新数值，没有改变array变量的指向，因此共享内存的Tensor会同步读取到新值。
• array = array + 1是重新赋值操作：array + 1会生成一个新的NumPy数组并占据新的内存地址，随后array变量指向这个新地址。此时原内存块（与Tensor共享的部分）未被修改，Tensor的值自然保持不变；后续对新array的原地修改，也只会作用于新内存，和Tensor无关。

内容的提问来源于stack exchange，提问作者Tavakoli