对pytorch中Tensor的剖析
不是python层面Tensor的剖析,是C层面的剖析。
看pytorch下lib库中的TH好一阵子了,TH也是torch7下面的一个重要的库。
可以在torch的github上看到相关文档。看了半天才发现pytorch借鉴了很多torch7的东西。
pytorch大量借鉴了torch7下面lua写的东西并且做了更好的设计和优化。
https://github.com/torch/torch7/tree/master/doc
pytorch中的Tensor是在TH中实现的。TH = torch
TH中先实现了一个THStorage,再在THStorage的基础上实现了THTensor。
THStorage定义如下,定义在TH/generic/THStorage.h中
typedef struct THStorage
{
real *data;
ptrdiff_t size;
int refcount;
char flag;
THAllocator *allocator;
void *allocatorContext;
struct THStorage *view;
} THStorage;
这些成员里重点关注*data和size就可以了。
real *data中的real会在预编译的时候替换成预先设计的数据类型,比如int,float,byte等。
比如 int a[3] = {1,2,3},data是数组a的地址,对应的size是3,不是sizeof(a)。
所以*data指向的是一段连续内存。是一维的!
讲Tensor前先回顾下数组在内存中的排列方式。参看《C和指针》8.2节相关内容。
比如 int a[3][6]; 内存中的存储顺序为:
00 01 02 03 04 05 10 11 12 13 14 15 20 21 22 23 24 25
是连续存储的。存储顺序按照最右边的下标率先变化。
然后数组a是2维的,nDimension = 2。dimension从0开始算起。
size(a) = {3,6}
[3] 是 dimension 0 size[0] = 3
[6] 是 dimension 1 size[1] = 6
nDimension = 2
THTensor定义如下,定义在TH/generic/THTensor.h中
typedef struct THTensor
{
int64_t *size; // 注意是指针
int64_t *stride; // 注意是指针
int nDimension; // Note: storage->size may be greater than the recorded size
// of a tensor
THStorage *storage;
ptrdiff_t storageOffset;
int refcount;
char flag;
} THTensor;
比如
z = torch.Tensor(2,3,4) // 新建一个张量,size为 2,3,4
size(z) = {2,3,4}
[2] 是 dimension 0 size[0] = 2
[3] 是 dimension 1 size[1] = 3
[4] 是 dimension 2 size[2] = 4
nDimension = 3
THStorage只管理内存,是一维的。
THTensor通过size和nDimension将THStorage管理的一维内存映射成逻辑上的多维张量,
底层还是一维的。但是注意,代表某个Tensor的底层内存是一维的但是未必是连续的!
把Tensor按照数组来理解好了。
Tensor a[3][6] 裁剪(narrow函数)得到一个 Tensor b[3][4],在内存中就是
Tensor a:
Tensor b: x x x x x x
narrow函数并不会真正创建一个新的Tensor,Tensor b还是指向Tensor a的那段内存。
所以Tensor b在内存上就不是连续的了。
那么怎么体现Tensor在内存中是连续的呢?就靠THTensor结构体中的
size,stride,nDimension共同判断了。
pytorch的Tensor有个 contiguous 函数,C层面也有一个对应的函数:
int THTensor_(isContiguous)(const THTensor *self)
{
int64_t z = ;
int d;
for(d = self->nDimension-; d >= ; d--)
{
if(self->size[d] != )
{
if(self->stride[d] == z)
z *= self->size[d]; // 如果是连续的,应该在这循环完然后跳到下面return 1
else
return ;
}
}
return ;
}
把Tensor a[3][6] 作为这个函数的参数:
size[0] = 3 size[1] = 6 nDimension = 2 z =1
d = 1 if size(1) = 6 != 1 if stride[1] == 1 z = z*size(d)=6
d = 0 if size(0) = 3 != 1 if stride[0] == 6 z = z*size(d)=6*3 = 18
因此,对于连续存储的a
stride = {6,1}
size = {3,6}
再举一个Tensor c[2][3][4]的例子,如果c是连续存储的,则:
stride = {12,4,1}
size = { 2,3,4} // 2所对应的stride就是 右边的数相乘(3x4), 3所对应的stride就是右边的数相乘(4)
stride(i)返回第i维的长度。stride又被翻译成步长。
比如第0维,就是[2]所在的维度,Tensor c[ i ][ j ][ k ]跟Tensor c[ i+1 ][ j ][ k ]
在连续内存上就距离12个元素的距离。
对于内存连续的stride,计算方式就是相应的size数右边的数相乘。
所以不连续呢?
对于a[3][6]
stride = {6,1}
size = {3,6}
对于从a中裁剪出来的b[3][4]
stride = {6,1}
size = {3,4}
stride和size符合不了 右边的数相乘 的计算方法,所以就不连续了。
所以一段连续的一维内存,可以根据size和stride 解释 成 逻辑上变化万千,内存上是否连续 的张量。
比如24个元素,可以解释成 4 x 6 的2维张量,也可以解释成 2 x 3 x 4 的3维张量。
THTensor中的 storageOffset 就是说要从 THStorage 的第几个元素开始 解释 了。
连续的内存能给程序并行化和最优化算法提供很大的便利。
其实写这篇博客是为了给理解 TH 中的 TH_TENSOR_APPLY2 等宏打基础。
这个宏就像是在C中实现了broadcast。
2017年12月11日01:00:22
最近意识到,用 H x W x C 和 C x H x W 哪个来装图像更好,取决于矩阵在内存中是行存储还是
列存储,这个会影响内存读取速度,进而影响算法用时。
后来意识到,这就是个cache-friendly的问题,大部分对程序性能的要求还上升不到要研究算法复杂度
这个地步,常规优化的话注意下缓存友好等问题就好了,再优化就要靠更专业团队写的库或者榨干硬件了。
看了下numpy的文档,怪不得说pytorch是numpy的gpu版本。。。
后来又看了下opencv的mat的数据结构,原来矩阵库都是一毛一样的。。。
对pytorch中Tensor的剖析的更多相关文章
- pytorch中tensor数据和numpy数据转换中注意的一个问题
转载自:(pytorch中tensor数据和numpy数据转换中注意的一个问题)[https://blog.csdn.net/nihate/article/details/82791277] 在pyt ...
- [Pytorch]Pytorch中tensor常用语法
原文地址:https://zhuanlan.zhihu.com/p/31494491 上次我总结了在PyTorch中建立随机数Tensor的多种方法的区别. 这次我把常用的Tensor的数学运算总结到 ...
- pytorch中tensor张量数据基础入门
pytorch张量数据类型入门1.对于pytorch的深度学习框架,其基本的数据类型属于张量数据类型,即Tensor数据类型,对于python里面的int,float,int array,flaot ...
- pytorch中tensor的属性 类型转换 形状变换 转置 最大值
import torch import numpy as np a = torch.tensor([[[1]]]) #只有一个数据的时候,获取其数值 print(a.item()) #tensor转化 ...
- pytorch中tensor张量的创建
import torch import numpy as np print(torch.tensor([1,2,3])) print(torch.tensor(np.arange(15).reshap ...
- Pytorch 中 tensor的维度拼接
torch.stack() 和 torch.cat() 都可以按照指定的维度进行拼接,但是两者也有区别,torch.satck() 是增加新的维度进行堆叠,即其维度拼接后会增加一个维度:而torch. ...
- pytorch 中的数据类型,tensor的创建
pytorch中的数据类型 import torch a=torch.randn(2,3) b=a.type() print(b) #检验是否是该数据类型 print(isinstance(a,tor ...
- pytorch之dataloader深入剖析
PyTorch学习笔记(6)——DataLoader源代码剖析 - dataloader本质是一个可迭代对象,使用iter()访问,不能使用next()访问: - 使用iter(dataloader) ...
- PyTorch官方中文文档:PyTorch中文文档
PyTorch中文文档 PyTorch是使用GPU和CPU优化的深度学习张量库. 说明 自动求导机制 CUDA语义 扩展PyTorch 多进程最佳实践 序列化语义 Package参考 torch to ...
随机推荐
- spring整合junit报错
1.Could not autowire field: private javax.servlet.http.HttpServletRequest 参考:https://www.cnblogs.com ...
- Oracle判断周末
有些业务场景下会有择出周末的需求,具体判断语句如下: 1.SELECT TO_CHAR(TO_DATE(DATA_DATE,'YYYY-MM-DD),'D') FROM DUAL; 如果DATA_DA ...
- Quartz的基本使用之入门(2.3.0版本)
一.Quartz可以用来做什么 Quartz是一个强大任务调度框架,我工作时候会在这些情况下使用到quartz框架,当然还有很多的应用场景,在这里只列举2个实际用到的 餐厅系统会在每周四晚上的22点自 ...
- Python *Mix_w2
1.循环: 执行流程: 1. 判断条件是否为真. 如果真. 执行代码块 2. 再次判断条件是否为真...... 3. 当条件为假.执行else 跳出循环. 循环结束. while 条件: 代码块(又叫 ...
- js格式化数字
<!DOCTYPE html> <html> <head> <meta charset="UTF-8"> <title> ...
- bootstrap之编译CSS和Javascript-0基础安装grunt教程
昨天晚上看到 bootstrap 全局CSS样式中 使用Less 章节中提到的通过grunt重新编译CSS和Javascript文件,对于我这样从未接触过windows cmd node控制台 npm ...
- springcloud Ribbon学习笔记二
之前介绍了如何搭建eureka服务并开发了一个用户服务成功注册到了eureka中,接下来介绍如何通过ribbon来从eureka中获取用户服务: springcloud ribbon提供客户端的负载均 ...
- Bitmap每个像素值由指定的掩码决定
bBitmap每个像素值由指定的掩码决定 写了一个小工具来转换Bitmap彩色图片的不同位数. 程序的逻辑是拼接: Bitmap文件头 + Bitmap信息头 + Bitmap数据 在RGB888转换 ...
- cut语法
cut是一个选取命令,就是将一段数据经过分析,取出我们想要的.一般来说,选取信息通常是针对“行”来进行分析的,并不是整篇信息分析的. (1)其语法格式为:cut [-bn] [file] 或 cut ...
- vm虚拟机下ubuntu连接上ssr
第一步: 第二步: 第三步: 第四步: 完成!