为何使用aray +=1与aray=aray+1时PyTorch Tensor的变化不同？

import torch
import numpy as np

aray = np.arange(1, 11)
tensor = torch.from_numpy(aray)
print(f"aray: {aray}, \ntensor: {tensor}\n\n\n")

aray = 1 + aray
print(f"aray + 1: {aray}, \ntensor: {tensor}")

问题 #

我在执行aray += 1操作时，发现关联的PyTorch Tensor变量同步改变，但执行aray = aray + 1时Tensor无变化，请问原因是什么？

• 核心前提：torch.from_numpy()创建的Tensor会和原NumPy数组共享内存空间，两者指向同一块物理内存，内存里的数据变化会被双方同时感知。
• 两种操作的本质差异：
  • aray += 1是原地修改操作：它直接在原数组占用的内存空间里修改数值，没有创建新的数组对象。因为Tensor和原数组共享内存，所以Tensor会同步显示修改后的值。
  • aray = aray + 1是新对象赋值操作：aray + 1会生成一个全新的NumPy数组，之后把这个新数组的引用赋值给变量aray。此时原来的数组内存完全没被改动，而Tensor依然指向原来的那块内存，所以Tensor的值不会发生变化。

可以通过打印内存地址验证这个逻辑：

import torch
import numpy as np

aray = np.arange(1, 11)
print(f"原aray内存地址: {id(aray)}")
tensor = torch.from_numpy(aray)

aray += 1
print(f"aray +=1后地址: {id(aray)}")  # 地址和原地址一致，还是同一个对象

aray = aray + 1
print(f"aray = aray+1后地址: {id(aray)}")  # 地址改变，是新创建的对象

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