Метод clone

Метод clone создает новый тензор, который является полной копией исходного. При этом выделяется новая память, и новый тензор получает собственную историю вычислений (градиенты), если исходный тензор требует их вычисления. Метод не принимает параметров и возвращает новый тензор с теми же данными, типом и устройством, что и у исходного.

Синтаксис

t.clone()

Пример

Давайте создадим тензор и его копию с помощью метода clone:

import torch

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

Результат выполнения кода:

tensor([1, 2, 3, 4, 5])

Пример

Важно понимать, что изменения в копии не влияют на исходный тензор. Давайте изменим копию и проверим исходный тензор:

import torch

t = torch.tensor([1, 2, 3, 4, 5])
res = t.clone()
res[0] = 100
print(t)
print(res)

Результат выполнения кода:

tensor([1, 2, 3, 4, 5])
tensor([100, 2, 3, 4, 5])

Как видно, исходный тензор остался без изменений, а копия была изменена.

Пример

Метод clone также сохраняет информацию о градиентах. Если исходный тензор требует вычисления градиентов, то копия будет наследовать это свойство:

import torch

t = torch.tensor([1., 2., 3.], requires_grad=True)
res = t.clone()
print(t.requires_grad)
print(res.requires_grad)

Результат выполнения кода:

True
True

Пример

В отличие от метода detach, который создает тензор без истории градиентов, метод clone сохраняет историю вычислений. Это позволяет использовать копию в обратном распространении:

import torch

t = torch.tensor([1., 2., 3.], requires_grad=True)
res = t.clone()
loss = (res ** 2).sum()
loss.backward()
print(t.grad)

Результат выполнения кода:

tensor([2., 4., 6.])

Градиенты были вычислены для исходного тензора через копию.

Смотрите также

метод detach,
который создает тензор без истории градиентов
метод copy_,
который копирует данные из другого тензора без выделения новой памяти
метод to,
который изменяет тип или устройство тензора
метод contiguous,
который возвращает смежный тензор в памяти