PyTorch 张量的分块处理介绍

分块处理是将大型张量分解成较小的块,以便更高效地进行计算,减少内存占用,特别适用于处理超大张量的场景(如深度学习中的大批量数据或大型模型训练)。

PyTorch 提供了多种方法来分块张量,包括 chunksplitunfold 等。以下是这些方法的介绍及其适用场景。


1. 使用 torch.chunk

功能

将张量沿指定维度分成 指定数量的块

语法

复制代码
torch.chunk(input, chunks, dim=0)
  • input:输入张量。
  • chunks:将张量分成的块数。
  • dim:指定分块的维度。

示例

复制代码
x = torch.arange(12).reshape(3, 4)  # 一个 3x4 的张量
print(x)

# 沿第 0 维(行)分成 3 块
chunks = torch.chunk(x, chunks=3, dim=0)
for i, chunk in enumerate(chunks):
    print(f"Chunk {i}:\n{chunk}")

2. 使用 torch.split

功能

将张量沿指定维度分成 指定大小的块。每块的大小可以不相同。

语法

复制代码
torch.split(input, split_size_or_sections, dim=0)
  • split_size_or_sections:可以是整数(每块的大小)或列表(每块的大小分别定义)。
  • dim:指定分块的维度。

示例

复制代码
x = torch.arange(12).reshape(3, 4)

# 沿第 1 维(列)分成大小为 2 的块
chunks = torch.split(x, 2, dim=1)
for i, chunk in enumerate(chunks):
    print(f"Chunk {i}:\n{chunk}")

# 指定块的大小分别为 1 和 3
chunks = torch.split(x, [1, 3], dim=1)
for i, chunk in enumerate(chunks):
    print(f"Chunk {i}:\n{chunk}")

3. 使用 torch.unfold

功能

从张量中提取 滑动窗口 块,适用于卷积、时间序列等需要处理局部区域的场景。

语法

复制代码
torch.unfold(input, dimension, size, step)
  • dimension:滑动窗口应用的维度。
  • size:窗口大小。
  • step:滑动步长。

示例

复制代码
x = torch.arange(1, 10).reshape(1, 1, 3, 3)  # 3x3 张量
print("Original tensor:\n", x)

# 滑动窗口大小为 2x2,步长为 1
unfolded = x.unfold(2, 2, 1).unfold(3, 2, 1)
print("Unfolded tensor shape:", unfolded.shape)
print("Unfolded tensor:\n", unfolded)

注: x.unfold(2, 2, 1)中第一个2为维度,第二个2为窗口大小,1为滑动步长。

4. 分块处理的优化场景

(1) 内存优化
  • 当内存不足以加载整个大张量时,将其分块并逐块处理可以显著减少内存占用。
(2) 并行处理
  • 将张量分块后,可以将各个块分配到不同的设备(如多 GPU)进行并行计算,提高计算效率。
(3) 数据流批处理
  • 在训练深度学习模型时,可将大批次数据分块处理,避免一次性加载超大批次导致显存溢出。

5. 分块与重组

分块后常需要对处理后的块进行重组,以恢复原始张量的形状。PyTorch 提供以下方法:

(1) torch.cat

将多个张量按指定维度连接。

复制代码
x1 = torch.tensor([[1, 2]])
x2 = torch.tensor([[3, 4]])
result = torch.cat([x1, x2], dim=0)
print(result)  # tensor([[1, 2],
               #         [3, 4]])
(2) torch.stack

将多个张量堆叠到新的维度上。

复制代码
x1 = torch.tensor([1, 2])
x2 = torch.tensor([3, 4])
result = torch.stack([x1, x2], dim=0)
print(result)  # tensor([[1, 2],
               #         [3, 4]])
(3) torch.reshape

用于恢复分块前的形状。

复制代码
chunk = torch.arange(12).reshape(3, 4)
flattened = chunk.flatten()
restored = flattened.reshape(3, 4)
print(restored)

6. 总结

  • chunk:按块数分割张量,块大小可能不均。
  • split:按块大小分割张量,可以自定义每块的大小。
  • unfold:生成滑动窗口块,适用于局部区域计算。
  • 分块优化场景:适用于内存优化、并行计算和大批次数据处理。
相关推荐
阿坡RPA2 小时前
手搓MCP客户端&服务端:从零到实战极速了解MCP是什么?
人工智能·aigc
用户27784491049932 小时前
借助DeepSeek智能生成测试用例:从提示词到Excel表格的全流程实践
人工智能·python
机器之心2 小时前
刚刚,DeepSeek公布推理时Scaling新论文,R2要来了?
人工智能
算AI4 小时前
人工智能+牙科:临床应用中的几个问题
人工智能·算法
JavaEdge在掘金4 小时前
ssl.SSLCertVerificationError报错解决方案
python
我不会编程5555 小时前
Python Cookbook-5.1 对字典排序
开发语言·数据结构·python
凯子坚持 c5 小时前
基于飞桨框架3.0本地DeepSeek-R1蒸馏版部署实战
人工智能·paddlepaddle
老歌老听老掉牙5 小时前
平面旋转与交线投影夹角计算
python·线性代数·平面·sympy
满怀10155 小时前
Python入门(7):模块
python
无名之逆5 小时前
Rust 开发提效神器:lombok-macros 宏库
服务器·开发语言·前端·数据库·后端·python·rust