[转载]PyTorch上的contiguous

来源：https://zhuanlan.zhihu.com/p/64551412

这篇文章写的非常好，我这里就不复制粘贴了，有兴趣的同学可以去看原文，我这里只摘录一些结论过来以便查询：

PyTorch 提供了is_contiguous、contiguous(形容词动用)两个方法，分别用于判定Tensor是否是 contiguous 的，以及保证Tensor是contiguous的。

is_contiguous直观的解释是Tensor底层一维数组元素的存储顺序与Tensor按行优先一维展开的元素顺序是否一致。

为什么需要 contiguous ？

torch.view等方法操作需要连续的Tensor。

transpose、permute 操作虽然没有修改底层一维数组，但是新建了一份Tensor元信息，并在新的元信息中的重新指定 stride。torch.view 方法约定了不修改数组本身，只是使用新的形状查看数据。如果我们在 transpose、permute 操作后执行 view，Pytorch 会抛出错误.

原文中举了一个例子来说明：transpose、permute不修改底层数组，而view是直接访问底层数组的，所以在执行transpose、permute之后如果直接调用view，返回的是内存中存储的底层数组的顺序，而非transpose、permute操作之后看起来的顺序

>>>t = torch.arange(12).reshape(3,4)

>>>t

tensor([[ 0,  1,  2,  3],

       [ 4,  5,  6,  7],

       [ 8,  9, 10, 11]])

>>>t.stride()

(4, 1)

>>>t2 = t.transpose(0,1)

>>>t2

tensor([[ 0,  4,  8],

       [ 1,  5,  9],

       [ 2,  6, 10],

       [ 3,  7, 11]])

>>>t2.stride()

(1, 4)

>>>t.data_ptr() == t2.data_ptr() # 底层数据是同一个一维数组

True

>>>t.is_contiguous(),t2.is_contiguous() # t连续，t2不连续

(True, False)
t2 与 t 引用同一份底层数据 a，如下：
[ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11]
，两者仅是stride、shape不同。如果执行 t2.view(-1) ，期望返回以下数据 b（但实际会报错）：
[ 0,  4,  8,  1,  5,  9,  2,  6, 10,  3,  7, 11]
在 a 的基础上使用一个新的 stride 无法直接得到 b ，需要先使用 t2 的 stride (1, 4) 转换到 t2 的结构，再基于 t2 的结构使用 stride (1,) 转换为形状为 (12,)的 b 。但这不是view工作的方式，view 仅在底层数组上使用指定的形状进行变形，即使 view 不报错，它返回的数据是：
[ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11]
这是不满足预期的。使用contiguous方法后返回新Tensor t3，重新开辟了一块内存，并使用照 t2 的按行优先一维展开的顺序存储底层数据。
>>>t3 = t2.contiguous()

>>>t3

tensor([[ 0,  4,  8],

       [ 1,  5,  9],

       [ 2,  6, 10],

       [ 3,  7, 11]])

>>>t3.data_ptr() == t2.data_ptr() # 底层数据不是同一个一维数组

False
可以发现 t与t2 底层数据指针一致，t3 与 t2 底层数据指针不一致，说明确实重新开辟了内存空间。

巴特西

[转载]PyTorch上的contiguous

[转载]PyTorch上的contiguous

为什么需要 contiguous ？

最新文章

热门文章