如何通过内存地址访问PyTorch Tensor中的数据

仅靠数据指针adr本身无法直接构造张量，你还需要提前知道原张量的形状、数据类型、所在设备三个核心元信息，data_ptr仅代表数据块的首地址，不会携带张量的元数据。

实现代码 #

你可以通过PyTorch的底层存储接口实现需求，示例如下：

import torch

# 你的原始代码
x = torch.randn(100,100,device='cuda')
adr = x.data_ptr()

def get_tensor_from_address(ptr, shape, dtype=torch.float32, device='cuda'):
    # 构造空张量占位，不分配新内存
    y = torch.empty(shape, dtype=dtype, device=device)
    # 将张量的底层存储指向指定地址
    if device == 'cuda':
        storage = torch.cuda.UntypedStorage.from_address(ptr)
    else:
        storage = torch.UntypedStorage.from_address(ptr)
    y.set_(storage, storage_offset=0, size=shape, stride=tuple())
    return y

# 调用方法，需要传入已知的形状、dtype、设备信息
y = get_tensor_from_address(adr, (100,100))

# 验证：修改y会同步修改x，说明二者指向同一块内存
y[0][0] = 10086
print(x[0][0]) # 输出10086.，符合预期

注意事项 #

• 元信息必须和原张量完全一致，否则会出现数据乱码、程序直接崩溃等问题
• 该操作不会自动管理内存生命周期：如果原张量x被销毁、对应内存被PyTorch回收后再访问y，会触发野指针错误
• 仅支持同进程内使用，跨进程的内存地址空间互相隔离，拿到的指针值没有意义
• 如果是CPU张量，调用时指定device='cpu'即可

内容的提问来源于stack exchange，提问作者Mr Vinagi