pytorch | contiguous() 函数

1. 背景

torch中一些操作会改变原数据,比如:narrow() view() expand() transpose()等操作,在使用transpose()进行转置操作时,pytorch并不会创建新的、转置后的tensor,而是修改了tensor中的一些属性(也就是元数据),使得此时的offset和stride是与转置tensor相对应的。转置的tensor和原tensor的内存是共享的,即改变转置后的tensor, 原先tensor中内容也会改变,而contiguous方法就类似深拷贝,使得上面这些操作不会改变元数据

2. 示例

python 复制代码
x = torch.randn(3, 2)
y = torch.transpose(x, 0, 1)
print("修改前:")
print("x-", x)
print("y-", y)
 
print("\n修改后:")
y[0, 0] = 11
print("x-", x)
print("y-", y)

输出:修改后的 x 会随 y 的改变而改变

修改前:

x- tensor([[-1.2076, -0.5300],

-0.0826, -1.0144\], \[ 1.2097, -1.2360\]\]) y- tensor(\[\[-1.2076, -0.0826, 1.2097\], \[-0.5300, -1.0144, -1.2360\]\])

修改后:

x- tensor([[11.0000, -0.5300],

-0.0826, -1.0144\], \[ 1.2097, -1.2360\]\]) y- tensor(\[\[11.0000, -0.0826, 1.2097\], \[-0.5300, -1.0144, -1.2360\]\])

使用 conguous方法

python 复制代码
import torch
x = torch.randn(3, 2)
y = torch.transpose(x, 0, 1).contiguous()
print("修改前:")
print("x-", x)
print("y-", y)
 
print("\n修改后:")
y[0, 0] = 11
print("x-", x)
print("y-", y)

输出: 可以看到x并没有随y的改变而改变

x- tensor([[ 1.3756, -0.1766],

0.9518, -1.7000\], \[-1.0423, -0.6077\]\]) y- tensor(\[\[ 1.3756, 0.9518, -1.0423\], \[-0.1766, -1.7000, -0.6077\]\])

修改后:

x- tensor([[ 1.3756, -0.1766],

0.9518, -1.7000\], \[-1.0423, -0.6077\]\]) y- tensor(\[\[11.0000, 0.9518, -1.0423\], \[-0.1766, -1.7000, -0.6077\]\])

3. 总结

当调用 contiguous() 时,会强制拷贝一份 tensor,让它的布局和从头创建的一模一样,使得两个 tensor 完全没有联系,类似于深拷贝

相关推荐
flysh057 分钟前
pyAutoGUI 模块主要功能介绍-(2)键盘功能
python·pyautogui
Hcoco_me21 分钟前
深度学习和神经网络之间有什么区别?
人工智能·深度学习·神经网络
霍格沃兹_测试26 分钟前
Ollama + Python 极简工作流
人工智能
资源开发与学习26 分钟前
AI智时代:一节课带你玩转 Cursor,开启快速入门与实战之旅
人工智能
强盛小灵通专卖员29 分钟前
闪电科创 SCI专业辅导
python·深度强化学习·研究生·ei会议·导师·sci期刊
跟橙姐学代码40 分钟前
自动化邮件发送的终极秘籍:Python库smtplib与email的完整玩法
前端·python·ipython
西安光锐软件40 分钟前
深度学习之损失函数
人工智能·深度学习
补三补四41 分钟前
LSTM 深度解析:从门控机制到实际应用
人工智能·rnn·lstm
astragin1 小时前
神经网络常见层速查表
人工智能·深度学习·神经网络
嘀咕博客1 小时前
文心快码Comate - 百度推出的AI编码助手
人工智能·百度·ai工具