理解pytorch系列:transpose是怎么实现的

在PyTorch中,transpose()是一种操作,它交换张量中两个指定维度的位置。实现这一点的关键在于不实际移动数据,而是通过改变张量的元数据(包括步长(stride)和尺寸(size))来达到效果。

举例来说,假设我们有一个形状为(3, 4)的二维张量,其内存布局为行优先(row-major)即C风格的。当我们对这个张量执行transpose(0, 1)操作时,我们期望该张量行变成列,列变成行,即得到一个形状为(4,3)的新视图。

这是通过以下步骤完成的:

  1. 改变尺寸 :改变size元数据,使得原本第一个维度(行)的大小与第二个维度(列)的大小交换。

  2. 改变步长 :步长(stride)是一个数组,指示了在每个维度上移动一个元素需要跳过的内存位置数。执行transpose()时,交换了两个维度的步长。在行优先存储的张量中,行的步长通常比列的步长大。

  3. 不移动数据:实际上数据并没有在内存中移动,只是改变了在这块内存空间上的解释方式。

以下是一个简单的示例:

python 复制代码
import torch

# 创建一个 3x4 的张量
x = torch.arange(12).view(3, 4)
print("Original tensor:")
print(x)
# 输出:
# tensor([[ 0,  1,  2,  3],
#         [ 4,  5,  6,  7],
#         [ 8,  9, 10, 11]])

# 现在使用 transpose 来交换两个维度
y = x.transpose(0, 1)
print("\nTransposed tensor:")
print(y)
# 输出:
# tensor([[ 0,  4,  8],
#         [ 1,  5,  9],
#         [ 2,  6, 10],
#         [ 3,  7, 11]])

在这个例子中,x的形状发生了变化,但它的内存布局没有改变。通过调整步长和大小,transpose()创建了一个新的张量视图。

在PyTorch的底层C++实现中,同样接口会调用ATen库(张量操作库,是PyTorch的核心)中的对应函数,ATen函数会修改张量对象所关联的元数据以实现transpose()操作。这意味着实际的CPU或GPU中的数据不会因为transpose()操作而移动。这种"懒惰"操作提高了性能,特别是对于大型张量,因为它避免了不必要的数据拷贝。

相关推荐
卡戎-caryon6 分钟前
【Linux网络与网络编程】03.UDP Socket编程
linux·服务器·网络·笔记·单例模式·udp·网络通信
饕餮ing7 分钟前
C++的UDP连接解析域名地址错误
开发语言·c++·udp
JohnFF16 分钟前
48. 旋转图像
数据结构·算法·leetcode
bbc12122616 分钟前
AT_abc306_b [ABC306B] Base 2
算法
生锈的键盘25 分钟前
推荐算法实践:movielens数据集
算法
董董灿是个攻城狮25 分钟前
Transformer 通关秘籍9:词向量的数值实际上是特征
算法
nuise_33 分钟前
李宏毅机器学习笔记06 | 鱼和熊掌可以兼得的机器学习 - 内容接宝可梦
人工智能·笔记·机器学习
林泽毅34 分钟前
SwanLab x EasyR1:多模态LLM强化学习后训练组合拳,让模型进化更高效
算法·llm·强化学习
小林熬夜学编程36 分钟前
【高并发内存池】第八弹---脱离new的定长内存池与多线程malloc测试
c语言·开发语言·数据结构·c++·算法·哈希算法
刚入门的大一新生42 分钟前
归并排序延伸-非递归版本
算法·排序算法