pytorch中的contiguous()

1 先看看官方中英文doc：

torch.Tensor.contiguous (Python method, in torch.Tensor)
torch.Tensor.is_contiguous (Python method, in torch.Tensor)

1.1 contiguous() → Tensor

Returns a contiguous tensor containing the same data as self tensor. If self tensor is contiguous, this function returns the self tensor.

1.2 contiguous() → Tensor

返回一个内存连续的有相同数据的tensor，如果原tensor内存连续，则返回原tensor；

2 pytorch contiguous的使用

contiguous一般与transpose，permute，view搭配使用：使用transpose或permute进行维度变换后，调用contiguous，然后方可使用view对维度进行变形（如：tensor_var.contiguous().view() ），示例如下：

x = torch.Tensor(2,3)
y = x.permute(1,0)         # permute：二维tensor的维度变换，此处功能相当于转置transpose
y.view(-1)                 # 报错，view使用前需调用contiguous()函数
y = x.permute(1,0).contiguous()
y.view(-1)                 # OK

具体原因有两种说法：

1 transpose、permute等维度变换操作后，tensor在内存中不再是连续存储的，而view操作要求tensor的内存连续存储，所以需要contiguous来返回一个contiguous copy；

2 维度变换后的变量是之前变量的浅拷贝，指向同一区域，即view操作会连带原来的变量一同变形，这是不合法的，所以也会报错；---- 这个解释有部分道理，也即contiguous返回了tensor的深拷贝contiguous copy数据；

3 contiguous函数分析，参考CSDN博客

在pytorch中，只有很少几个操作是不改变tensor的内容本身，而只是重新定义下标与元素的对应关系。换句话说，这种操作不进行数据拷贝和数据的改变，变的是元数据，这些操作是：

narrow()，view()，expand()，transpose()；

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，而转置的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] = 233
print(y[0, 0])       # print 233

可以看到，改变了x的元素的值的同时，y的元素的值也发生了变化；也即，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常规的tensor的布局方式是不一样的！于是就有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模一样；*

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～

4 其他

4.1 is_contiguous()函数

is_contiguous() → bool

Returns True if self tensor is contiguous in memory in C order.

is_contiguous() → bool

如果该tensor在内存中是连续的则返回True；

pytorch里面的 contiguous() 是以 C 为顺序保存在内存里面，如果不是，则返回一个以 C 为顺序保存的tensor：

tensor_var.is_contiguous()           # 可以用来判断tensor是否以 C 为顺序保存的

一些可能导致不是以 C 为顺序保存的可能为：

import torch
x = torch.ones(10, 10)
x.is_contiguous()                                                   # True
x.transpose(0, 1).is_contiguous()                          # False，transpose会改变tensor变量内存的布局方式
x.transpose(0, 1).contiguous().is_contiguous()     # True

4.2 view()、reshape()函数的差异

在pytorch 0.4中，增加了torch.reshape()，与 numpy.reshape() 的功能类似，大致相当于 tensor.contiguous().view()，这样就省去了对tensor做view()变换前，调用contiguous()的麻烦；

pytorch中的contiguous()相关推荐

PyTorch学习笔记(15) ——PyTorch中的contiguous
本文转载自栩风在知乎上的文章<PyTorch中的contiguous>.我觉得很好,特此转载. 0. 前言本文讲解了pytorch中contiguous的含义.定义.实现,以及conti ...
Pytorch中的contiguous()函数
这个函数主要是为了辅助pytorch中的一些其他函数,主要包含在PyTorch中,有一些对Tensor的操作不会真正改变Tensor的内容,改变的仅仅是Tensor中字节位置的索引.这些操作有: n ...
pytorch中的contiguous()函数的浅浅解释
contiguous() 有些tensor并不是占用一整块内存,而是由不同的数据块组成. contiguous()函数的作用:把tensor变成在内存中连续分布的形式. 来自链接一 contiguou ...
Pytorch中的contiguous理解
最近遇到这个函数,但查的中文博客里的解释貌似不是很到位,这里翻译一下stackoverflow上的回答并加上自己的理解. 在pytorch中,只有很少几个操作是不改变tensor的内容本身,而只是重新 ...
PyTorch中的contiguous解读
本文讲解了pytorch中contiguous的含义.定义.实现,以及contiguous存在的原因,非contiguous时的解决办法.并对比了numpy中的contiguous. contiguo ...
详解PyTorch中的contiguous
目录前言 PyTorch中的is_contiguous是啥? 行优先为什么需要 contiguous ? 为什么不在view 方法中默认调用contiguous方法? 前言 contiguous ...
pytorch中的contiguous
contigous 在英文中为连续的意思,何为连续,就是语义相同的张量存储在连续的内存空间中, 为什么要使用contigous? 因为view()操作需要连续的tensor transpose.pe ...
pytorch 中的 contiguous()
if self.output_attention:return (V.contiguous(), A) #使用contiguous() # 如果想要断开这两个变量之间的依赖(x本身是contiguou ...
pytorch笔记：contiguous tensor 存储知识
1 contiguous contiguous直观的解释是Tensor底层一维数组元素的存储顺序与Tensor按行优先一维展开的元素顺序是否一致. 1.1 tensor的存储 Tensor多维数组底层 ...

pytorch中的contiguous()

pytorch中的contiguous()

pytorch中的contiguous()相关推荐

最新文章

热门文章