pytorch 中 numpy 类型与 torch 类型共享存储的问题

从今天起，总结学习 pytorch 过程中遇到的一些日后可能出错的小问题。
首先就是 pytorch 官网 tutorial 第一章讲的，numpy 类型与 torch 类型共享存储，并且还给出样例： http://pytorch.org/tutorials/beginner/blitz/tensor_tutorial.html#tensors 在文章中，作者举例，当 torch 类型转换为 numpy类型时，对其中一个操作就相当于对另一个操作:
a = torch.ones(5)
print(a)
Out:

1
1
1
1
1
[torch.FloatTensor of size 5]

b = a.numpy()
print(b)

Out:

[ 1.  1.  1.  1.  1.]

然后执行：
a.add_(1)
print(a)
print(b)
Out:

2
2
2
2
2
[torch.FloatTensor of size 5]

[ 2.  2.  2.  2.  2.]

但是，我试着将代码中的 a.add_(1) 替换为 a = a + 1，结果就不是这样的：
2
 2
 2
 2
 2
[torch.FloatTensor of size (5,)]

[1. 1. 1. 1. 1.]
可以看到，这个时候 a 变了，但是 b 并没有变。

#########################################################################

同理，反过来，当 numpy 类型转换为 torch 类型的时候，作者举例如下：
import numpy as np
a = np.ones(5)
b = torch.from_numpy(a)
np.add(a, 1, out=a)
print(a)
print(b)
Out:

[ 2.  2.  2.  2.  2.]

2
2
2
2
2
[torch.DoubleTensor of size 5]

如果我把代码中的 np.add(a, 1, out=a) 替换为 a = a + 1 的话，就又不共享存储了：
[[2. 2.]
 [2. 2.]
 [2. 2.]]

 1  1
 1  1
 1  1

[torch.DoubleTensor of size (3,2)]

具体为什么目前还没查到，先记在这里，日后发现为什么了再补上。