如何在 PyTorch 中执行就地操作？
就地操作直接更改张量的内容，而无需复制它。由于它不创建输入的副本，因此在处理高维数据时减少了内存使用。就地操作有助于使用更少的GPU内存。
在PyTorch，就地操作总是后固定带“_”，如add_()，mul_()等
脚步
要执行就地操作，可以按照以下步骤操作-
导入所需的库。所需的库是torch。
定义/创建要执行就地操作的张量。
执行正常和原位操作以查看它们之间的明显区别。
显示在正常和就地操作中获得的张量。
示例1
以下Python程序突出显示了正常添加和就地添加之间的区别。在原地加法中，第一个操作数“x”的值被改变；而在正常加法中，它保持不变。
# import required library
import torch
# create two tensors x and y
x = torch.tensor(4)
y = torch.tensor(3)
print("x=", x.item())
print("y=", y.item())
# Normal addition
z = x.add(y)
print("正常加法x：",x.item())
# In-place addition
z = x.add_(y)
print("In-place Addition x:",x.item())输出结果x = 4 y = 3 正常加法x： 4 In-place Addition x: 7
在上面的程序中，添加了两个张量x和y。在正常的加法操作中，x的值不会改变，但在就地加法操作中，它的值发生了变化。
示例2
下面的Python程序展示了普通加法和就地加法操作在内存分配方面的不同之处。
# import required library
import torch
# create two tensors x and y
x = torch.tensor(4)
y = torch.tensor(3)
print("id(x)=", id(x))
# Normal addition
z = x.add(y)
print("Normal Addition id(z):",id(z))
# In-place addition
z = x.add_(y)
print("In-place Addition id(z):",id(z))输出结果id(x)= 63366656 Normal Addition id(z): 63366080 In-place Addition id(z): 63366656
在上面的程序中，正常操作为“z”分配新的内存位置，而就地操作不分配新的内存。