Python和C++赋值共享内存、Python函数传址传值、一些其他的遇到的bug

1、Numpy共享内存的情况：

array1 = np.array([1, 2, 3])
array2 = array1
array2[0] = 0       # array1也会跟着改变，就地操作
array2 = array2 * 2 # array2不会跟着改变，属于非就地操作，会创建一个新的地址给array2

array2 = array1[:]

array2 = array1.view()
array2 = array1.reshape((3, 1))

使用array.copy() 创建深拷贝以避免这种问题

非就地操作：会创建一个新的数组，并将其赋值给 array2（指向的地址发生改变）。在这种情况下，array2 将引用一个新的数组，原来的 array2 不再共享原始的内存。如下，都不会影响到array1：

array2 = -array1 # 有运算时不共享（会创建一个新的数组给array2）
array2[0] = 0    # array1不会跟着改变

array2 = array1		# 共享内存
array2 = array2 + 1 # array1不会改变（此时创建一个新的数组给array2）。但array2 += 1会影响array1，自增是就地（in-place）操作

array2 = array1
array2[0] = -array2[0] # 就地操作，1会改
array2[:] = -array2[:] # 就地操作，1会改
array2 = -array2       # 非就地操作，1不改

2、pytorch共享内存的情况：

和Numpy完全一样

tensor1 = torch.tensor([1, 2, 3])
tensor2 = tensor1
tensor2[0] = 0 # tensor1也会跟着改变

tensor2 = tensor1.view(-1)

tensor2 = tensor1.detach()

使用tensor.clone()创建深拷贝以避免这种问题

3、Eigen中共享内存的情况：

Eigen::MatrixXd matrix1 = Eigen::MatrixXd::Random(3, 3);
Eigen::MatrixXd matrix2 = matrix1.block(0, 0, 2, 2);

Eigen::ArrayXd array1 = Eigen::ArrayXd::Random(5);
Eigen::ArrayXd array2 = array1.segment(1, 3);

直接进行赋值不会共享内存：

Eigen::VectorXd vector1 = Eigen::VectorXd::Random(5);
Eigen::VectorXd vector2 = vector1; // 不共享内存，vector2更改不影响vector1

4、List中共享内存的情况

Python当向列表中添加一个元素时，列表会存储对该元素的引用

a = np.array([1, 2, 3])
list_a = [a]
a[0] = 0 # list_a也会改变

C++中std::vector不会有这种情况：

int main() {
    Eigen::Vector3d A(0,0,0);
    std::vector vector_A;
    vector_A.push_back(A);
    A(0) = 1;	// vector_A不改
    std::cout 
public:
    int value;
    MyClass(int v) : value(v) {}
};
int main() {
    MyClass A(5);
    MyClass B = A; 
    B.value = 10;
    std::cout