之前我写过一篇文章，比较了 torch.Tensor() 和 torch.tensor() 的区别，而这两者都是深拷贝的方法，返回张量的同时，会在内存中创建一个额外的数据副本，与原数据不共享内存，所以不受原数据改变的影响。
这里，介绍两种浅拷贝方法，torch.as_tensor() 和 torch.from_numpy()，同样还是从官方文档出发：
torch.as_tensor()
torch.from_numpy()
直接对比着来看，最明显的，torch.as_tensor() 接收三个参数（data, dtype=None, device=None），而 torch.from_numpy() 只接收一个参数，即 ndarray，正如前者文档中提到的：
如果 data 是具有相同 dtype 和 device 的 NumPy 数组（一个 ndarray），则使用 torch.from_numpy() 构造一个张量。
torch.from_numpy() 会根据输入的 ndarray 构造一个具有相同 dtype 与 device 的张量，这个行为跟 torch.as_tensor() 只输入ndarray，而 dtype 与 device 保持默认是一样的。从这个角度看，可以说 torch.from_numpy() 是 torch.as_tensor() 的一个特例。它们都是浅拷贝，这是因为张量（tensor）与数组（ndarray）存储共享相同的底层缓冲区，改变其中一个的值都会是另一个的值也被改变。
但是，torch.as_tensor() 显然适用性更广，它既可以接收非 ndarray 的数据，还能改变数据的 dtype 或 device，但这两个东西一旦被改变了，就会生成一个新的数据副本，此时 torch.as_tensor() 的行为就变成深拷贝了。
需要注意的是，Numpy 在 64 位机子上浮点数默认的数据类型是 float64，而 Pytorch 默认的是 float32。所以为了确保转换后的数据类型是 float32，以及兼顾适用性，使用 torch.as_tensor() 都是更好的选择。
