本文内容分为以下两个部分：
代码验证
结论

代码验证

请看如下代码：

import torch
import numpy as np

data = np.array([1,2,3])
t1 = torch.Tensor(data)
t2 = torch.tensor(data)
t3 = torch.as_tensor(data)
t4 = torch.from_numpy(data)

print(t1)
print(t2)
print(t3)
print(t4)

输出的结果是：

tensor([1.,2.,3.])
tensor([1,2,3],dtype=torch.int32)
tensor([1,2,3],dtype=torch.int32)
tensor([1,2,3],dtype=torch.int32)

再输入以下语句查看类型：

print(t1.dtype)
print(t2.dtype)
print(t3.dtype)
print(t4.dtype)

输出的结果是：

torch.float32
torch.int32
torch.int32
torch.int32

接着，修改numpy数组data的值，输入代码如下：

data[0] = 0
data[1] = 0
data[2] = 0

print(t1)
print(t2)
print(t3)
print(t4)

输出后发现仅有t3,t4的值被改变了，说明as_tensor和from_numpy的张量是和numpy数组共用的存储空间，也可以称为“share data”。

结论

特性	Tensor	tensor	as_tensor	from_numpy
是否与numpy共用存储	否	否	是	是
是否属于factory function	否	是	是	是
深度学习适用场景	/	写代码常用	优化性能使用	优化性能使用

注：
(1) factory function是“先判断输入数据类型，后按照相应类型存储”的函数，而Tensor是一个构造函数;
(2) 优化程序性能时通常选用as_tensor而不是from_numpy，因为后者只接受numpy数组。