在Pytorch中如何使用contiguous

這篇文章主要介紹“在Pytorch中如何使用contiguous”，在日常操作中，相信很多人在在Pytorch中如何使用contiguous問題上存在疑惑，小編查閱了各式資料，整理出簡單好用的操作方法，希望對大家解答”在Pytorch中如何使用contiguous”的疑惑有所幫助！接下來，請跟著小編一起來學習吧！

舉個栗子，在使用transpose()進行轉置操作時，pytorch并不會創建新的、轉置后的tensor，而是修改了tensor中的一些屬性（也就是元數據），使得此時的offset和stride是與轉置tensor相對應的。

轉置的tensor和原tensor的內存是共享的！

為了證明這一點，我們來看下面的代碼：

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，改變了y的元素的值的同時，x的元素的值也發生了變化。

也就是說，經過上述操作后得到的tensor，它內部數據的布局方式和從頭開始創建一個這樣的常規的tensor的布局方式是不一樣的！于是…這就有contiguous()的用武之地了。

在上面的例子中，x是contiguous的，但y不是（因為內部數據不是通常的布局方式）。

注意不要被contiguous的字面意思“連續的”誤解，tensor中數據還是在內存中一塊區域里，只是布局的問題！

當調用contiguous()時，會強制拷貝一份tensor，讓它的布局和從頭創建的一毛一樣。

一般來說這一點不用太擔心，如果你沒在需要調用contiguous()的地方調用contiguous()，運行時會提示你：

RuntimeError: input is not contiguous

只要看到這個錯誤提示，加上contiguous()就好啦～

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

gather

torch.gather(input,dim,index,out=None)。對指定維進行索引。比如4*3的張量，對dim=1進行索引，那么index的取值范圍就是0~2.

input是一個張量，index是索引張量。input和index的size要么全部維度都相同，要么指定的dim那一維度值不同。輸出為和index大小相同的張量。

import torch
a=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))

輸出：

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

將維度為1的壓縮掉。如size為（3,1,1,2），壓縮之后為（3,2）

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

輸出：

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

擴展某個size為1的維度。如(2,2,1)擴展為(2,2,3)

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

輸出：

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為（m,n,d）的張量，dim=1時，輸出為size為（m,d）的張量

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

輸出:

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

contiguous

返回一個內存為連續的張量，如本身就是連續的，返回它自己。一般用在view()函數之前，因為view()要求調用張量是連續的。

可以通過is_contiguous查看張量內存是否連續。

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

輸出：

<built-in method is_contiguous of Tensor object at 0x7f4b5e35afa0>
tensor([[ 1,  2,  3],
    [ 4,  8, 12],
    [ 1,  2,  3],
    [ 4,  8, 12]])

softmax

假設數組V有C個元素。對其進行softmax等價于將V的每個元素的指數除以所有元素的指數之和。這會使值落在區間（0,1）上，并且和為1。

import torch
import torch.nn.functional as F 
a=torch.tensor([[1.,1],[2,1],[3,1],[1,2],[1,3]])
b=F.softmax(a,dim=1)
print(b)

輸出：

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，或指定維度的最大值以及index

import torch
a=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())

輸出：

(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

import torch
a=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())

輸出：

tensor([ 2, 2, 2, 2])
tensor(11)

到此，關于“在Pytorch中如何使用contiguous”的學習就結束了，希望能夠解決大家的疑惑。理論與實踐的搭配能更好的幫助大家學習，快去試試吧！若想繼續學習更多相關知識，請繼續關注億速云網站，小編會繼續努力為大家帶來更多實用的文章！