嗨，在PyTorch 0.4.0把Tensor和Variable合并之后，这个操作其实变得更简洁了，给你分享几种常用的方法：

• 方法一：链式调用一步完成
  这是最简洁的写法，先把NumPy数组转成Tensor，转成float类型后，直接用requires_grad_()这个in-place方法开启自动求导：

  import numpy as np
  import torch
  
  # 示例NumPy数组
  np_array = np.random.rand(2, 3)
  # 一步完成转换、转float、开启autograd
  float_tensor = torch.from_numpy(np_array).float().requires_grad_(True)
  

  这里requires_grad_()的下划线表示这是一个会修改Tensor本身的方法，比单独赋值更直观。

• 方法二：分步设置属性
  如果需要先对Tensor做一些其他操作，再开启自动求导，可以先转换，再手动设置requires_grad属性：

  np_array = np.random.rand(2, 3)
  float_tensor = torch.from_numpy(np_array).float()
  # 后续需要时开启自动求导
  float_tensor.requires_grad = True
  

• 方法三：创建不共享内存的新Tensor
  上面两种方法用torch.from_numpy()会和原NumPy数组共享内存，如果不想共享数据（比如担心原数组被意外修改），可以用torch.tensor()直接创建，同时指定类型和自动求导：

  np_array = np.random.rand(2, 3)
  # 创建新的FloatTensor并开启autograd，和原NumPy数组不共享内存
  float_tensor = torch.tensor(np_array, dtype=torch.float32, requires_grad=True)
  

需要注意的是，现在完全不需要再用Variable来包装Tensor了，所有原Variable的功能（比如自动求导）都已经整合到Tensor里，直接操作Tensor就可以啦。

内容的提问来源于stack exchange，提问作者HBeel