举个栗子,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!

为了证明这一点,我们来看下面的代码:

x=torch.randn(3,2)y=x.transpose(x,0,1)x[0,0]=233print(y[0,0])#print233

可以看到,改变了y的元素的值的同时,x的元素的值也发生了变化。

也就是说,经过上述操作后得到的tensor,它内部数据的布局方式和从头开始创建一个这样的常规的tensor的布局方式是不一样的!于是…这就有contiguous()的用武之地了。

在上面的例子中,x是contiguous的,但y不是(因为内部数据不是通常的布局方式)。

注意不要被contiguous的字面意思“连续的”误解,tensor中数据还是在内存中一块区域里,只是布局的问题!

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毛一样。

一般来说这一点不用太担心,如果你没在需要调用contiguous()的地方调用contiguous(),运行时会提示你:

RuntimeError: input is not contiguous

只要看到这个错误提示,加上contiguous()就好啦～

补充:pytorch之expand,gather,squeeze,sum,contiguous,softmax,max,argmax

gather

torch.gather(input,dim,index,out=None)。对指定维进行索引。比如4*3的张量,对dim=1进行索引,那么index的取值范围就是0~2.

input是一个张量,index是索引张量。input和index的size要么全部维度都相同,要么指定的dim那一维度值不同。输出为和index大小相同的张量。

importtorcha=torch.tensor([[.1,.2,.3],[1.1,1.2,1.3],[2.1,2.2,2.3],[3.1,3.2,3.3]])b=torch.LongTensor([[1,2,1],[2,2,2],[2,2,2],[1,1,0]])b=b.view(4,3)print(a.gather(1,b))print(a.gather(0,b))c=torch.LongTensor([1,2,0,1])c=c.view(4,1)print(a.gather(1,c))

输出:

tensor([[0.2000,0.3000,0.2000],[1.3000,1.3000,1.3000],[2.3000,2.3000,2.3000],[3.2000,3.2000,3.1000]])tensor([[1.1000,2.2000,1.3000],[2.1000,2.2000,2.3000],[2.1000,2.2000,2.3000],[1.1000,1.2000,0.3000]])tensor([[0.2000],[1.3000],[2.1000],[3.2000]])

squeeze

将维度为1的压缩掉。如size为(3,1,1,2),压缩之后为(3,2)

importtorcha=torch.randn(2,1,1,3)print(a)print(a.squeeze())

输出:

tensor([[[[-0.2320,0.9513,1.1613]]],[[[0.0901,0.9613,-0.9344]]]])tensor([[-0.2320,0.9513,1.1613],[0.0901,0.9613,-0.9344]])

expand

扩展某个size为1的维度。如(2,2,1)扩展为(2,2,3)

importtorchx=torch.randn(2,2,1)print(x)y=x.expand(2,2,3)print(y)

输出:

tensor([[[0.0608],[2.2106]],[[-1.9287],[0.8748]]])tensor([[[0.0608,0.0608,0.0608],[2.2106,2.2106,2.2106]],[[-1.9287,-1.9287,-1.9287],[0.8748,0.8748,0.8748]]])

sum

size为(m,n,d)的张量,dim=1时,输出为size为(m,d)的张量

importtorcha=torch.tensor([[[1,2,3],[4,8,12]],[[1,2,3],[4,8,12]]])print(a.sum())print(a.sum(dim=1))

输出:

tensor(60)tensor([[5,10,15],[5,10,15]])

contiguous

返回一个内存为连续的张量,如本身就是连续的,返回它自己。一般用在view()函数之前,因为view()要求调用张量是连续的。

可以通过is_contiguous查看张量内存是否连续。

importtorcha=torch.tensor([[[1,2,3],[4,8,12]],[[1,2,3],[4,8,12]]])print(a.is_contiguous)print(a.contiguous().view(4,3))

输出:

<built-inmethodis_contiguousofTensorobjectat0x7f4b5e35afa0>tensor([[1,2,3],[4,8,12],[1,2,3],[4,8,12]])

softmax

假设数组V有C个元素。对其进行softmax等价于将V的每个元素的指数除以所有元素的指数之和。这会使值落在区间(0,1)上,并且和为1。

importtorchimporttorch.nn.functionalasFa=torch.tensor([[1.,1],[2,1],[3,1],[1,2],[1,3]])b=F.softmax(a,dim=1)print(b)

输出:

tensor([[0.5000,0.5000],[0.7311,0.2689],[0.8808,0.1192],[0.2689,0.7311],[0.1192,0.8808]])

max

返回最大值,或指定维度的最大值以及index

importtorcha=torch.tensor([[.1,.2,.3],[1.1,1.2,1.3],[2.1,2.2,2.3],[3.1,3.2,3.3]])print(a.max(dim=1))print(a.max())

输出:

(tensor([0.3000,1.3000,2.3000,3.3000]),tensor([2,2,2,2]))tensor(3.3000)

argmax

返回最大值的index

importtorcha=torch.tensor([[.1,.2,.3],[1.1,1.2,1.3],[2.1,2.2,2.3],[3.1,3.2,3.3]])print(a.argmax(dim=1))print(a.argmax())

输出:

tensor([2,2,2,2])tensor(11)

到此,关于“在Pytorch中如何使用contiguous”的学习就结束了,希望能够解决大家的疑惑。理论与实践的搭配能更好的帮助大家学习,快去试试吧!若想继续学习更多相关知识,请继续关注本站网站,小编会继续努力为大家带来更多实用的文章!