【youcans的深度学习 08】PyTorch入门教程：张量的就地操作和广播机制

欢迎关注『youcans的深度学习』系列，持续更新中…
【youcans的深度学习 01】安装环境之 miniconda
【youcans的深度学习 02】PyTorch CPU版本安装与环境配置
【youcans的深度学习 03】PyTorch CPU版本安装与环境配置
【youcans的深度学习 04】PyTorch入门教程：基础知识
【youcans的深度学习 05】PyTorch入门教程：快速入门
【youcans的深度学习 06】PyTorch入门教程：张量的基本操作 1
【youcans的深度学习 07】PyTorch入门教程：张量的基本操作 2
【youcans的深度学习 08】PyTorch入门教程：张量的就地操作和广播机制

PyTorch 中支持 100 多种张量操作，包括转置、索引、切⽚、数学运算、线性代数、随机数等等，详见【PyTorch官方文档】。

1. 张量运算的种类和特点

1.1 张量运算的分类

PyTorch 将能够作用于张量的运算统称为算子，按算子的操作方式分为 6 类，以方便使用。

1. 逐点运算（Pointwise Ops），是指针对张量的每个元素分别执行相同的运算操作。
2. 规约运算（Reduction Ops），是指对张量进行操作得出某种总结值。
3. 比较运算（Comparison Ops），是指对多个张量进行比较运算的方法。
4. 谱运算（Spectral Ops），是指涉及信号处理傅里叶变换的操作。
5. 线性代数运算（BLAS/LAP），是指基础线性代数程序集（Basic Linear Algeria Subprograms，BLAS）和线性代数包（Linear Algeria Package，LAP）定义的用于线性代数计算的函数和方法。
6. 其它运算（Other Ops），其它数学运算。

本章主要介绍逐点运算、归约运算和比较运算。线性代数运算将单独进行介绍。谱运算需要理解傅里叶变换的数学基础，前期不会涉及；其它运算已经在张量的基本操作中介绍。

1.2 张量的就地操作（ Inplace ）

就地操作（ Inplace ），也称为“原地操作“，是指在原有内存空间上直接修改赋值，不产生新的对象，不改变存储地址，因而节约了内存空间。

Inplace 操作的优点是可以节省内存，尤其是在处理高维数据时能显著减少额外的内存开销。但是 Inplace 操作也有缺点：（1）Inplace 操作会直接改变原对象的内容，覆盖计算梯度所需的值，破坏了模型的训练过程；（2）每个 Inplace 操作实际上都需要重写计算图。因此，叶子节点（Leaf tensor）不能使用 Inplace 操作，求梯度阶段不能使用 Inplace 操作。如果显存足够，最好还是避免使用 Inplace 操作。

在 PyTorch 中，很多函数使用在函数名后加下划线的后缀来实现 Inplace 操作，例如 x.add_(y)、x.copy_(y) 、x.normal_(y)、x.zero_(y)、x.relu_(y)、x.sigmoid_(y)。

# BasicTorch05_v1.py
# torch05 of PyTroch
# 张量的基本运算

# 导入PyTorch
import torch

# (1) 张量的就地操作 (Inplace)
x = torch.tensor(10)
y1 = x.add(1)  # 非就地操作，不修改 x 的值
print("x={}, y1={}".format(x, y1))
print("id(x):{}, id(y1):{}".format(id(x), id(y1)))

y2 = x.add_(2)  # 就地操作，修改了 x 的值
print("x={}, y2={}".format(x, y2))
print("id(x):{}, id(y2):{}".format(id(x), id(y2)))

结果如下。

x=10, y1=11
id(x):2135179428144, id(y1):2135180570848
x=12, y2=12
id(x):2135179428144, id(y2):2135179428144

在激活函数中，Inplace 操作可以通过设置 inplace=True 实现，例如：

torch.nn.ReLU(inplace=True)
torch.nn.Sigmoid(inplace=True)
torch.nn.Tanh(inplace=True)

1.3 张量的广播机制（Broadcast）

1.3.1 广播机制的定义

Pytorch 中的广播机制和 Numpy 中的广播机制相似，都是数组的广播机制，是在运算过程中处理两个形状不同的多维数组的方法。

如果一个运算支持广播机制，则该操作的 Tensor 参数会被自动扩展为相同的形状，在不复制数据的情况下就能进行运算，可以避免不必要的复制，实现更高效的运算。

1.3.2 广播机制的规则

广播机制的条件是其中任意一个张量必须至少有一个维度或者相等，或者其中一个为 1，或者其中一个不存在。

具体而言，如果满足以下规则，则两个张量是“可广播的（Broadcastable）”：

• 每个张量至少有一个维度；
• 遍历两个张量所有维度时，从右向前逐维度进行遍历，两个张量满足下列情况之一：
  • 两个张量的该维度的大小相等；
  • 两个张量的该维度的大小不相等，其中一个张量该维度的大小为 1；
  • 两个张量维数不同，其中一个张量该维度不存在。
• 如果两个 tensor 是“可广播的”，则计算过程遵循下列规则：
  • 如果两个 tensor 的维度不同，则在维度较小的 tensor 的前面增加维度，使它们维度相等。
  • 对于每个维度，计算结果的维度值取两个 tensor 中较大的那个值。
  • 两个 tensor 扩展维度的过程是将数值进行复制。

举例说明如下。

1. 两个相同维度的张量，一定是“可广播的”。

# 相同维度的两个张量是 可广播的
x=torch.ones(1,4,7)
y=torch.ones(1,4,7)

2. 两个张量都至少有一个维度，才是“可广播的”。

# 两个张量都至少有一个维度才是 可广播的
x = torch.empty((0,))  # 不可广播
y = torch.empty(2,2)

3. 按从右往左顺序遍历两个张量每一个维度，都要能够匹配：（1）两个张量该维度的大小相等；（2）其中一个张量没有该维度；（3）其中一个张量该维度的大小为 1。

# 逐个维度遍历两个张量，都满足广播规则，才是可广播的
x = torch.empty(1,3,1,5)
y = torch.empty(  3,2,1)

1.3.3 广播机制的运算方式

两个张量使用广播机制的运算方式如下。

（1）如果一个张量没有该维度，则插入大小为 1 的维度。例如：

两个张量原有的维度：
x = torch.ones(1,3,1,5)
y = torch.ones(  3,2,1)
插入大小为 1 的维度后：
x = torch.ones(1,3,1,5)
y = torch.ones(1,3,2,1)  # 插入大小为 1 的维度

（2）如果两个张量的某些维度大小不相等，且其中一个张量该维度大小为 1，则该维度大小变成另一张量在该维度的大小。例如：

两个张量原有的维度：
x = torch.ones(1,3,1,5)
y = torch.ones(1,3,2,1)
张量维度大小调整后：
x = torch.ones(1,3,2,5)  # dim=2 大小从 1 变成 2
y = torch.ones(1,3,2,5)  # dim=3 大小从 1 变成 5

（3）对于应用广播机制后，形状相同的两个张量，按照函数的方法进行操作。

例程如下。

# (2) 张量的广播机制 (Broadcast)
a = torch.rand(3, 5, 5)
b = torch.rand(1, 5, 5)
c = a * b
# print(a, b, c)
print("a.shape:{}\nb.shape:{}\nc.shape:{}".format(a.shape, b.shape, c.shape))

a = torch.rand(1,3,5,5)
b = torch.rand(  3,5,5)
c = a + b
# print(a, b, c)
print("\na.shape:{}\nb.shape:{}\nc.shape:{}".format(a.shape, b.shape, c.shape))

x = torch.ones(1,3,1,5)
y = torch.ones(  3,3,1)
z = torch.add(x, y)
# print(x, y, z)
# print(x.shape, y.shape, z.shape)
print("\nx.shape:{}\ny.shape:{}\nz.shape:{}".format(x.shape, y.shape, z.shape))

例程运行结果如下。

a.shape:torch.Size([3, 5, 5])
b.shape:torch.Size([1, 5, 5])
c.shape:torch.Size([3, 5, 5])

a.shape:torch.Size([1, 3, 5, 5])
b.shape:torch.Size([3, 5, 5])
c.shape:torch.Size([1, 3, 5, 5])

x.shape:torch.Size([1, 3, 1, 5])
y.shape:torch.Size([3, 3, 1])
z.shape:torch.Size([1, 3, 3, 5])

广播机制的本质是，不同形状的张量进行计算时，通过隐式转化，转换为相同形状的两个张量，从而完成计算。

但并不是任何两个不同形状的张量都可以通过广播特性进行计算，张量的插入维度或维度大小变化，实际上都相当于对原有张量进行数据共享。

【本节完】

版权声明：
欢迎关注『youcans的深度学习』系列，转发请注明原文链接：
【youcans的深度学习 06】PyTorch入门教程：张量的就地操作和广播机制(https://youcans.blog.csdn.net/article/details/130654698）
Copyright 2023 youcans, XUPT
Crated：2023-05-12