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
俺的图图呢?24 分钟前
Django笔记——CSRF
笔记·django·csrf
BB_CC_DD24 分钟前
四. 以Annoy算法建树的方式聚类清洗图像数据集,一次建树,无限次聚类搜索,提升聚类搜索效率。(附完整代码)
深度学习·算法·聚类
YHY_13s28 分钟前
访问者模式
c++·访问者模式
我的golang之路果然有问题34 分钟前
快速了解redis,个人笔记
数据库·经验分享·redis·笔记·学习·缓存·内存
IT_Octopus36 分钟前
AI工程pytorch小白TorchServe部署模型服务
人工智能·pytorch·python
无心水1 小时前
【Java面试笔记:基础】8.对比Vector、ArrayList、LinkedList有何区别?
java·笔记·面试·vector·arraylist·linkedlist
我也不曾来过11 小时前
list底层原理
数据结构·c++·list
卡皮巴拉爱吃小蛋糕1 小时前
MySQL的MVCC【学习笔记】
数据库·笔记·mysql
A charmer1 小时前
C++ 日志系统实战第三步:熟悉掌握各种设计模式
c++·日志系统
Ethon_王1 小时前
STL容器适配器详解:queue篇
c++