Python与PyTorch的浅拷贝与深拷贝

1.Python赋值操作的原理

在python中，x= something， 这样的赋值操作，准确的理解是：给存储something建立一个索引x (即存储地址)， x通过访问something的存储内容，获得something的值。

在下面代码中：

# 情况1: 原变量地址不变，但是内容发生修改
a = torch.rand(4)
print('before a', a, id(a))
b = a 
print('before b', b, id(a))
a[2] = 5
print('after a', a, id(a))
print('after b', b, id(b))

输出：

before a tensor([0.7519, 0.1700, 0.7580, 0.2318]) 4613605632
before b tensor([0.7519, 0.1700, 0.7580, 0.2318]) 4613605632
after a tensor([0.7519, 0.1700, 5.0000, 0.2318]) 4613605632
after b tensor([0.7519, 0.1700, 5.0000, 0.2318]) 4613605632

解析：从上面id信息可以看出，在我们设置b = a 后，a,b均指向同一个内容。当对a[2]进行修改时，该地址内容变化后，对应a,b均发生变化。这是经典的使用赋值方法的浅拷贝方法。

# 情况2：原始变量指向新地址
a = torch.rand(4)
print('before a', a, id(a))
b = a 
print('before b', b, id(a))
a = torch.rand(4)
print('after a', a, id(a))
print('after b', b, id(b))

before a tensor([0.7991, 0.6592, 0.4349, 0.6903]) 4615172560
before b tensor([0.7991, 0.6592, 0.4349, 0.6903]) 4615172560
after a tensor([0.4795, 0.3145, 0.6954, 0.3496]) 4615149584
after b tensor([0.7991, 0.6592