from_numpy()自动继承输入数组dtype。另一方面，torch.Tensor是torch.FloatTensor的别名。
因此，如果将int64数组传递给torch.Tensor，输出Tensor是浮点Tensor，它们不会共享存储。torch.from_numpy会像预期的那样提供torch.LongTensor。

a = np.arange(10)
ft = torch.Tensor(a)  # same as torch.FloatTensor
it = torch.from_numpy(a)

a.dtype  # == dtype('int64')
ft.dtype  # == torch.float32
it.dtype  # == torch.int64

在Pytorch中构建Tensor的推荐方法是使用以下两个工厂函数：torch.tensor和torch.as_tensor。
torch.tensor始终复制数据。例如，torch.tensor(x)等价于x.clone().detach()。
torch.as_tensor总是尝试避免数据的副本。as_tensor避免复制数据的一种情况是，原始数据是一个numpy数组。

这来自_torch_docs.py;这里也有可能讨论“为什么”。

def from_numpy(ndarray): # real signature unknown; restored from __doc__
    """
    from_numpy(ndarray) -> Tensor

    Creates a :class:`Tensor` from a :class:`numpy.ndarray`.

    The returned tensor and `ndarray` share the same memory. 
    Modifications to the tensor will be reflected in the `ndarray` 
    and vice versa. The returned tensor is not resizable.

    Example::

        >>> a = numpy.array([1, 2, 3])
        >>> t = torch.from_numpy(a)
        >>> t
        torch.LongTensor([1, 2, 3])
        >>> t[0] = -1
        >>> a
        array([-1,  2,  3])
    """
    pass

引用numpy文档：
不同的ndarrays可以共享相同的数据，因此在一个ndarray中所做的更改可能在另一个ndarray中可见。也就是说，ndarray可以是另一个ndarray的“视图”，它所引用的数据由“基础”ndarray负责。
Pytorch docs：
如果给定numpy.ndarray、torch.Tensor或torch.Storage，则返回共享相同数据的新Tensor。如果给定了一个Python序列，则会从序列的副本创建一个新的Tensor。

答案中没有人提到的是，NumPy数组和torchTensor的问题**“共享相同的内存”**只发生在你在CPU上运行代码时，但如果你在GPU上运行，如下代码每个NumPy，Tensor将有它的内存位置

device = "cuda" if torch.cuda.is_available() else "cpu"
device #will be cuda means it run in GPU
a = np.ones(5)
print(a)
b = torch.from_numpy(a)
print(b)
a = a * 5
print(a)
print(b)

输出

[1. 1. 1. 1. 1.]
tensor([1., 1., 1., 1., 1.], dtype=torch.float64)
[5. 5. 5. 5. 5.]
tensor([1., 1., 1., 1., 1.], dtype=torch.float64)

编辑

需要说明的是，NumPy数组和PyTorchTensor之间的内存共享只有在它们都位于CPU内存中时才会发生，但这种共享不会扩展到GPU内存。
当数据移动到GPU时，会为GPU上的Tensor分配新的内存，对CPU上原始NumPy数组所做的更改不会反映在GPUTensor中，反之亦然。

CPU内存：

当两者都在CPU内存中时，NumPy数组和PyTorchTensor之间可以发生内存共享。
对其中一个所做的更改将反映在另一个中，因为它们共享内存。

GPU内存：

当NumPy阵列和PyTorchTensor在GPU上时，它们之间不会发生内存共享。
对原始数组的任何更改都不会影响GPU上的Tensor，反之亦然。

CPU示例

import numpy as np
import torch

device = "cpu"
print("The device is :", device)

a_np = np.array([1, 2, 3])
print("Initial NumPy array 'a_np':", a_np)

a_torch = torch.from_numpy(a_np).to(device)
print("Initial PyTorch tensor 'a_torch':", a_torch)


a_np *= 2
print("\n")
print("After modifying NumPy array:")
print("NumPy array 'a_np':", a_np)
print("PyTorch tensor 'a_torch':", a_torch)
print("")
#print(np.shares_memory(a_torch,a_np))
#print("as you see a_np*2 here, change also a_torch because it shares the memory with a_torch")

输出CPU

The device is : cpu 
Initial NumPy array 'a_np': [1 2 3] 
Initial PyTorch tensor 'a_torch': tensor([1, 2, 3], dtype=torch.int32)

After modifying NumPy array: NumPy array 'a_np': [2 4 6] 
PyTorch tensor 'a_torch': tensor([2, 4, 6], dtype=torch.int32)

GPU示例

device = "cuda"
print("The device is :", device)

a_np = np.array([1, 2, 3])
print("Initial NumPy array 'a_np':", a_np)

a_torch = torch.from_numpy(a_np).to(device)
print("Initial PyTorch tensor 'a_torch':", a_torch)

a_np *= 2
print("\n")
print("After modifying NumPy array:")
print("NumPy array 'a_np':", a_np)
print("PyTorch tensor 'a_torch':", a_torch)

输出GPU

The device is : cuda 
Initial NumPy array 'a_np': [1 2 3] 
Initial PyTorch tensor 'a_torch': tensor([1, 2, 3], device='cuda:0', dtype=torch.int32)

After modifying NumPy array: NumPy array 'a_np': [2 4 6] 
PyTorch tensor 'a_torch': tensor([1, 2, 3], device='cuda:0', dtype=torch.int32)

我试着做你说的，它的工作如预期：Torch 1.8.1、Numpy 1.20.1、python 3.8.5

x = np.arange(8, dtype=np.float64).reshape(2,4)
y_4mNp = torch.from_numpy(x)
y_t = torch.tensor(x)
print(f"x={x}\ny_4mNp={y_4mNp}\ny_t={y_t}")

所有变量现在都具有与预期相同的值：

x=[[0. 1. 2. 3.]
 [4. 5. 6. 7.]]
y_4mNp=tensor([[0., 1., 2., 3.],
        [4., 5., 6., 7.]], dtype=torch.float64)
y_t=tensor([[0., 1., 2., 3.],
        [4., 5., 6., 7.]], dtype=torch.float64)

From_numpy使用与np变量相同的底层内存。因此，更改np或.from_numpy变量会相互影响，但不会影响Tensor变量。但是对y_t的更改只影响它本身，而不影响numpy或from_numpy变量。

x[0,1] = 111       ## changed the numpy variable itself directly
y_4mNp[1,:] = 500  ## changed the .from_numpy variable
y_t[0,:] = 999     ## changed the tensor variable
print(f"x={x}\ny_4mNp={y_4mNp}\ny_t={y_t}")

当前输出：

x=[[  0. 111.   2.   3.]
 [500. 500. 500. 500.]]
y_4mNp=tensor([[  0., 111.,   2.,   3.],
        [500., 500., 500., 500.]], dtype=torch.float64)
y_t=tensor([[999., 999., 999., 999.],
        [  4.,   5.,   6.,   7.]], dtype=torch.float64)

不知道这是否是早期版本的问题？