实验问题记录：PyTorch Tensor 也会出现 a = b 赋值后，修改 a 会影响 b 的情况
问题阐述：
crop_center_bbox = data['search_anno'][0]# shape = crop_center_bbox.shape
crop_center_bbox[0], crop_center_bbox[1] = 0.5 - crop_center_bbox[2]/2, 0.5 - crop_center_bbox[3]/2
crop_center_bbox[2], crop_center_bbox[3] = 0.5 + crop_center_bbox[2]/2, 0.5 + crop_center_bbox[3]/2
data['crop_center_bbox'] = [crop_center_bbox]执行上述代码前，
而执行后
咦？怎么search_anno 也同步变了呢
很奇怪Σ(っ °Д °;)っ
解决办法
tensor 利用 clone()
crop_center_bbox = data['search_anno'][0].clone()非常重要的事！！！
因此，在根据预定算法 完成代码 的写作过程中，一定要注意这些细节。如果不注意，这种会影响 预设 的变量 的形式，会对算法的真实完整实现 造成很大的 干扰。
不仅如此，在模型网络中的 tensor 前向传播的过程中， 中间凭空生成的或者使用的 新tensor也要注意 clone() 的使用，避免对 数据造成影响。
此外，不仅tensor有这个机制， list等也有这个机制，注意 浅拷贝的使用
对于list等形式的数据，可通过
a = [1, 2, 3]
b = a.copy()来避免这个问题。
看看大模型怎么说
为什么 PyTorch Tensor 也会出现 a = b 赋值后，修改 a 会影响 b 的情况？
这和 Python 的变量赋值机制 以及 PyTorch Tensor 的内存管理方式 有关。下面详细解释：
1. Python 的变量赋值机制（所有对象通用）
在 Python 中，变量赋值（=）只是创建了一个新的引用（指针），而不是复制对象。
-
对于不可变对象（如
int,float,str,tuple）：
修改时会创建新对象，所以不会影响原对象。
a = 10
b = a # b 和 a 都指向 10
b = 20 # b 现在指向 20，a 仍然是 10（因为 int 不可变）
print(a) # 10
print(b) # 20对于可变对象（如 list, dict, set, PyTorch Tensor）：
修改时会直接操作原对象，所以所有引用都会受影响
a = [1, 2, 3]
b = a # b 和 a 指向同一个列表
b[0] = 99 # 修改 b 也会影响 a
print(a) # [99, 2, 3]
print(b) # [99, 2, 3]PyTorch Tensor 也是可变对象，所以 a = b 只是让 a 和 b 指向同一个 Tensor，修改 a 会影响 b。
2. PyTorch Tensor 的特殊之处
PyTorch Tensor 是 存储在 GPU/CPU 内存中的多维数组，它的赋值行为和 Python 列表类似：
-
a = b：只是让a指向b的内存地址，没有复制数据。 - 修改
a：直接修改b的内存数据，所以b也会变。 -
示例验证
-
import torchb = torch.tensor([1.0, 2.0, 3.0]) # 原始 Tensor a = b # a 和 b 指向同一个 Tensor a[0] = 99.0 # 修改 a 也会影响 b print(b) # tensor([99., 2., 3.])可以看到，
b被修改了，因为a和b是同一个 Tensor。如何避免这个问题？
如果你希望
a是b的 独立副本（修改a不影响b），必须 显式复制 Tensor：(1) 使用
.clone()（推荐） -
a = b.clone() # 创建独立副本 a[0] = 99.0 # 修改 a 不会影响 b print(b) # tensor([1., 2., 3.])(2) 使用
torch.clone()（函数形式）a = torch.clone(b) # 等同于 b.clone()4. 为什么 PyTorch 不默认深拷贝？
PyTorch 的设计选择
a = b不复制数据，主要是为了 性能优化： - 深度学习中，Tensor 数据可能很大（如图像、视频），如果每次赋值都复制，内存和计算开销会很大。
- 默认共享内存 可以提高效率，但需要开发者 显式调用
.clone() 来避免意外修改。