PyTorch使用索引数组选取Tensor切片无法深拷贝的解决方案咨询

首先纠正你测试里的结论偏差：你对两种索引的内存共享特性判断完全反了。
PyTorch的索引内存规则非常明确：

• 用[start:end:step]语法做的基础切片，返回的是原Tensor的视图，和原Tensor共享底层内存，修改切片值会同步改动原Tensor
• 用索引列表/布尔数组做的高级索引（也就是你写的a[[2,3]]），原生返回的就是和原Tensor内存隔离的新Tensor，默认就不会共享存储。

你可以用下面的代码复现验证：

import torch
a = torch.Tensor([1,2,3,4,5,6])

# 测试普通切片
b = a[2:4]
b[0] = 999
print(a) # 输出tensor([  1.,   2., 999.,   4.,   5.,   6.])，证明b和a共享内存

# 重置a，测试索引数组选取
a = torch.Tensor([1,2,3,4,5,6])
c = a[[2,3]]
c[0] = 999
print(a) # 输出tensor([1., 2., 3., 4., 5., 6.])，证明c和a内存独立

如果你在实际复杂业务逻辑里，遇到索引数组选取结果仍和原Tensor共享内存的特殊情况（一般是旧版本PyTorch逻辑差异、或者索引操作嵌套在视图转换链路里导致的），要强制拿到完全独立的深拷贝结果，直接调用PyTorch原生的.clone()方法即可，这是做Tensor深拷贝的标准API：

# 无论前面的索引返回的是视图还是拷贝，.clone()都会生成底层存储完全独立的新Tensor
c = a[[2,3]].clone()

你之前尝试的.reshape()、.view()、.contiguous()都无法保证拿到独立拷贝，原因很简单：

• .view()仅做张量形状逻辑转换，永远不会复制底层数据，只在内存连续时可用
• .reshape()优先返回视图，仅在无法生成合法视图时才会隐式复制数据，结果是否独立完全不可控
• .contiguous()仅在原张量内存不连续时才会复制数据，内存连续时直接返回原张量的视图，同样不做数据拷贝

补充：如果你不需要保留张量对应的自动微分计算图链路，可以在.clone()后追加.detach()，即a[[2,3]].clone().detach()，得到和原计算图、原存储完全隔离的纯数值张量。

内容的提问来源于stack exchange，提问作者Yandong Ji