『PyTorch』第五弹_深刻理解Tensor对象_下：从内存看Tensor

Tensor存储结构以下，

 如图所示，实际上极可能多个信息区对应于同一个存储区，也就是上一节咱们说到的，初始化或者普通索引时常常会有这种状况。

1、几种共享内存的状况

view

a = t.arange(0,6)
print(a.storage())
b = a.view(2,3)
print(b.storage())
print(id(a.storage())==id(b.storage()))
a[1] = 10
print(b)

 上面代码，咱们经过.storage()能够查询到Tensor所对应的storage地址，能够看到view虽然不是inplace的，但也仅仅是更改了对同一片内存的检索方式而已，并无开辟新的内存：

 0.0
 1.0
 2.0
 3.0
 4.0
 5.0
[torch.FloatStorage of size 6]
 0.0
 1.0
 2.0
 3.0
 4.0
 5.0
[torch.FloatStorage of size 6]
True

  0  10   2
  3   4   5
[torch.FloatTensor of size 2x3]

 

简单索引

注意，id(a.storage())==id(c.storage()) != id(a[2])==id(a[0])==id(c[0])，id(a)！=id(c)

c = a[2:]
print(c.storage())  # c所属的storage也在这里
print(id(a[2]), id(a[0]),id(c[0]))  # 指向了同一处
print(id(a),id(c))
print(id(a.storage()),id(c.storage()))

 0.0
 10.0
 2.0
 3.0
 4.0
 5.0
[torch.FloatStorage of size 6]
2443616787576 2443616787576 2443616787576
2443617946696 2443591634888
2443617823496 2443617823496

 

经过Tensor初始化Tensor

d = t.Tensor(c.storage())
d[0] = 20
print(a)
print(id(a.storage())==id(b.storage())==id(c.storage())==id(d.storage()))

 20
 10
  2
  3
  4
  5
[torch.FloatTensor of size 6]

True

 

2、内存检索方式查看

storage_offset()：偏移量
stride()：步长，注意下面的代码，步长比咱们一般理解的步长稍微麻烦一点，是有层次结构的步长

print(a.storage_offset(),b.storage_offset(),c.storage_offset(),d.storage_offset())
e = b[::2,::2]
print(id(b.storage())==id(e.storage()))
print(b.stride(),e.stride())
print(e.is_contiguous())
f = e.contiguous()  # 对于内存不连续的张量，复制数据到新的连续内存中
print(id(f.storage())==id(e.storage()))
print(e.is_contiguous())
print(f.is_contiguous())
g = f.contiguous()  # 对于内存连续的张量，这个操做什么都没作
print(id(f.storage())==id(g.storage()))

 高级检索通常不共享stroage，这就是由于普通索引能够经过修改offset、stride、size实现，二高级检索出的结果坐标更加混乱，不方便这样修改，须要开辟新的内存进行存储。

 

3、其余有关Tensor

持久化

t.save和t.load，因为torch的为单独Tensor指定设备的特性，实际保存时会保存设备信息，可是load是经过特定参数能够加载到其余设备，详情help(torch.load)，其余的同numpy相似

向量化计算

Tensor天生支持广播和矩阵运算，包含numpy等其余库在内，其矩阵计算效率远高于python内置的for循环，能少用for就少用，换句话说python的for循环实现的效率很低。

辅助功能

设置展现位数：t.set_printoptions(precision=n)

In [13]: a = t.randn(2,3)

In [14]: a
Out[14]:

 1.1564  0.5561 -0.2968
-1.0205  0.8023  0.1582
[torch.FloatTensor of size 2x3]

In [15]: t.set_printoptions(precision=10)

In [16]: a
Out[16]:

1.1564352512 0.5561078787 -0.2968128324
-1.0205242634 0.8023245335 0.1582107395
[torch.FloatTensor of size 2x3]

out参数：

不少torch函数有out参数，这主要是由于torch没有tf.cast()这类的类型转换函数，也少有dtype参数指定输出类型，因此须要事先创建一个输出Tensor为LongTensor、IntTensor等等，再由out导入，以下：

In [3]: a = t.arange(0, 20000000)
In [4]: print(a[-1],a[-2])
16777216.0 16777216.0

能够看到溢出了数字，若是这样处理，

In [5]: b = t.LongTensor()
In [6]: b = t.arange(0,20000000)
In [7]: b[-2]
Out[7]: 16777216.0

仍是不行，只能这样，

In [9]: b = t.LongTensor()In [10]: t.arange(0,20000000,out=b)Out[10]: 0.0000e+00 1.0000e+00 2.0000e+00     ⋮ 2.0000e+07 2.0000e+07 2.0000e+07[torch.LongTensor of size 20000000]In [11]: b[-2]Out[11]: 19999998In [12]: b[-1]Out[12]: 19999999