Pytorch张量内存布局

你可能对 torch 上的某些函数感到困惑，它们执行相同的操作但名称不同。 例如： reshape()、view()、permute()、transpose() 等。

这些函数的做法真的不同吗？ 不！ 但为了理解它，我们首先需要了解一下张量在 pytorch 中是如何实现的。

张量（tensor）是抽象或逻辑结构，就像数组一样，无法按照其设想的方式实现。 显而易见的原因是内存单元是连续（contiguous）的，因此我们需要找到一种方法将它们保存在内存中。 例如，如果我们有一个如下所示的二维张量（或数组）：

将其保存到内存中的正常（或连续）方式是逐行排列。 所以我们将有：

每个张量都有元数据来声明如何读取张量。 例如，在这个 2d 张量中，为了访问下一行，我们必须向前移动 3 步，而下一列我们应该向前移动 1 步。 我们称这两个数字为步幅（stride）。 所以我们可以像下面这样提取它们：

这为我们开辟了新的可能性，因为们可以通过改变步幅元数据来改变张量！ 例如，如果我们将步长从(3, 1) 更改为(1, 3)，我们实际上转置了矩阵，而无需对所有内存项进行任何操作：

正如你所注意到的，张量不再连续，因为我们更改了它！为了转到下一行，我们只需跳过 1 个值，而跳过3 个值则移动到下一列。
如果我们回想一下张量的内存布局，这是有道理的：

[0, 1, 2, 3, 4, …, 11]

为了移动到下一列（例如从0到3，我们必须跳过 3 个值。因此张量不再是连续的！要使其连续，只需对其调用contigously()即可：

当你调用contigious()时，它实际上会创建张量的副本，因此元素的顺序将与从头开始创建相同形状的张量相同。

请注意，“连续”这个词有点误导，因为它并不是张量的内容分布在断开连接的内存块周围。 这里字节仍然分配在一块内存中，但元素的顺序不同！

同样，视图函数 view()只是原始变量的视图，这意味着如果更改原始内存，它也会发生变化：

这实际上非常有效，因为我们不必为转换创建新的内存槽。 但 reshape()可以复制原始数据。 来自原始文档：

连续输入和具有兼容步幅的输入可以在不复制的情况下进行重塑，但你不应依赖于复制与查看行为。

例如，如果我们有如下代码：

运行输出结果如下：

该视图不适用于非连续数据。

另外，考虑到 permute() 是另一个仅适用于元数据的函数，因此它也会创建不连续的数据。 permute() 改变轴的顺序，因此它与改变矩阵形状的 view() 或 reshape() 完全不同。

原文链接：Some notes on memory in pytorch

BimAnt翻译整理，转载请标明出处