torch.as_tensor

torch.as_tensor(data: Any, *, dtype: dtype | None = None, device: DeviceLikeType | None) → Tensor

Преобразует data в тензор, по возможности разделяя данные и сохраняя историю autograd.

Если data уже является тензором с запрошенными типом данных и устройством, возвращается сам data. Если же data — тензор с другим типом данных или устройством, он копируется так же, как при использовании data.to(dtype=dtype, device=device).

Если data — массив NumPy (ndarray) с теми же типом данных и устройством, тензор создаётся с помощью torch.from_numpy().

Если data — массив CuPy, возвращённый тензор будет размещён на том же устройстве, что и массив CuPy, если устройство явно не переопределено с помощью device или устройства по умолчанию. Устройство массива CuPy определяется по указателю массива с помощью cudaPointerGetAttributes, если только для device не указан явный индекс устройства.

См. также

torch.tensor() никогда не разделяет свои данные и создаёт новый «листовой тензор» (см. Механика autograd).

Параметры:

• data (array_like) – Исходные данные для тензора. Это может быть список, кортеж, массив NumPy ndarray, скаляр или данные других типов.
• dtype (torch.dtype, необязательно) – желаемый тип данных возвращаемого тензора. По умолчанию: если None, тип данных определяется по data.
• device (torch.device, необязательно) – устройство создаваемого тензора. Если указано None и data является тензором, используется устройство data. Если указано None и data не является тензором, результирующий тензор создаётся на текущем устройстве.

Пример:

>>> a = numpy.array([1, 2, 3])
>>> t = torch.as_tensor(a)
>>> t
tensor([ 1,  2,  3])
>>> t[0] = -1
>>> a
array([-1,  2,  3])

>>> a = numpy.array([1, 2, 3])
>>> t = torch.as_tensor(a, device=torch.device('cuda'))
>>> t
tensor([ 1,  2,  3])
>>> t[0] = -1
>>> a
array([1,  2,  3])