Функция clone

Функция clone создает новый тензор, который является полной копией исходного тензора с собственным выделенным хранилищем данных. Это означает, что изменения в копии не влияют на оригинал, и наоборот. Метод не принимает аргументов и возвращает новый тензор с теми же размерами, типом данных и устройством, что и у исходного тензора.

Важно отметить, что clone всегда выполняет глубокое копирование данных, в отличие от операции присваивания или методов detach и as_tensor, которые могут создавать представления или разделять память с исходным тензором.

Синтаксис

tensor.clone()

Пример

Создадим простой тензор и сделаем его полную копию с помощью метода clone:

import torch

t = torch.tensor([1, 2, 3, 4, 5])
t_clone = t.clone()

print("Original:", t)
print("Clone:   ", t_clone)

Результат выполнения кода:

Original: tensor([1, 2, 3, 4, 5])
Clone:	tensor([1, 2, 3, 4, 5])

Пример

Продемонстрируем, что копия полностью независима от оригинала. Изменим значение в копии и убедимся, что исходный тензор не изменился:

import torch

t = torch.tensor([1, 2, 3, 4, 5])
t_clone = t.clone()

t_clone[0] = 100

print("Original after clone modification:", t)
print("Clone after modification:		  ", t_clone)

Результат выполнения кода:

Original after clone modification: tensor([1, 2, 3, 4, 5])
Clone after modification:		   tensor([100, 2, 3, 4, 5])

Пример

Метод clone сохраняет все атрибуты тензора, включая тип данных и устройство. Скопируем тензор на GPU (если доступен) и проверим его устройство:

import torch

if torch.cuda.is_available():
	t = torch.tensor([1, 2, 3, 4, 5], device='cuda')
	t_clone = t.clone()
	
	print("Original device:", t.device)
	print("Clone device:   ", t_clone.device)
else:
	print("CUDA is not available")

Результат выполнения кода:

Original device: cuda:0
Clone device:	cuda:0

Пример

Важно помнить, что clone создает новый тензор даже для тензоров, которые сами являются представлениями других тензоров. Это часто используется для создания непрерывной копии данных после операций перестановки размерностей:

import torch

t = torch.tensor([
	[1, 2, 3],
	[4, 5, 6],
])
t_transposed = t.transpose(0, 1)
t_clone = t_transposed.clone()

print("Is transposed contiguous:", t_transposed.is_contiguous())
print("Is clone contiguous:	 ", t_clone.is_contiguous())

t_clone[0, 0] = 99
print("Original after clone modification:\n", t)

Результат выполнения кода:

Is transposed contiguous: False
Is clone contiguous:	  True
Original after clone modification:
 tensor([
 	[1, 2, 3],
 	[4, 5, 6],
 ])

Смотрите также

метод detach,
который создает тензор, отсоединенный от вычислительного графа, но разделяющий память
функцию as_tensor,
которая преобразует данные в тензор без лишнего копирования по возможности
функцию tensor,
которая создает тензор из списка или массива, копируя данные
функцию from_numpy,
которая создает тензор из массива NumPy, разделяя память