Decuplarea și Copierea Tensorilor: detach() vs clone() vs data în PyTorch & Deep Learning Practic

Înțelegerea diferenței dintre decuplare și clonare este crucială pentru a evita scurgerile de memorie și coruperea grafului de diferențiere automată:

• detach(): Creează o nouă vizualizare a tensorului care partajează aceeași memorie fizică, dar este deconectată complet de istoricul grafului autograd (requires_grad=False).
• clone(): Alocă o nouă zonă de memorie și copiază valorile, păstrând conexiunea în graful de diferențiere automată.
• detach().clone(): Metoda recomandată oficial pentru a obține o copie fizică complet independentă atât de memorie cât și de graful autograd.

import torch

x = torch.tensor([1.0, 2.0], requires_grad=True)
y = x * 2

# Copie sigură fără conexiuni la graful lui x
y_safe = y.detach().clone()
print("Necesită gradiente:", y_safe.requires_grad)  # False

Proprietatea depreciată .data trebuie evitată, deoarece modificările in-place asupra sa ocolesc verificările de integritate ale motorului autograd.