Question

我试图深入了解PyTorch Tensor内存模型是如何工作的。

# input numpy array
In [91]: arr = np.arange(10, dtype=float32).reshape(5, 2)

# input tensors in two different ways
In [92]: t1, t2 = torch.Tensor(arr), torch.from_numpy(arr)

# their types
In [93]: type(arr), type(t1), type(t2)
Out[93]: (numpy.ndarray, torch.FloatTensor, torch.FloatTensor)

# ndarray 
In [94]: arr
Out[94]: 
array([[ 0.,  1.],
       [ 2.,  3.],
       [ 4.,  5.],
       [ 6.,  7.],
       [ 8.,  9.]], dtype=float32)

我知道PyTorch张贴共享NumPy ndarrays的内存缓冲区。因此，改变一个将反映在另一个。所以，我在这里切片并更新Tensor t2

中的一些值

In [98]: t2[:, 1] = 23.0

正如预期的那样，它已在t2和arr中更新，因为它们共享相同的内存缓冲区。

In [99]: t2
Out[99]: 

  0  23
  2  23
  4  23
  6  23
  8  23
[torch.FloatTensor of size 5x2]


In [101]: arr
Out[101]: 
array([[  0.,  23.],
       [  2.,  23.],
       [  4.,  23.],
       [  6.,  23.],
       [  8.,  23.]], dtype=float32)

但 t1也已更新。请注意，t1是使用torch.Tensor()构建的，而t2是使用torch.from_numpy()构建的

In [100]: t1
Out[100]: 

  0  23
  2  23
  4  23
  6  23
  8  23
[torch.FloatTensor of size 5x2]

因此，无论我们使用torch.from_numpy()还是torch.Tensor()从ndarray构造张量，所有这样的张量和ndarrays共享相同的内存缓冲区。

基于这种理解，我的问题是，为什么只有torch.from_numpy()能够完成这项工作才能存在专用函数torch.Tensor()？

我查看了PyTorch文档，但它没有提及任何相关内容？有什么想法/建议吗？

Answer 1

from_numpy()自动继承输入数组dtype。另一方面，torch.Tensor是torch.FloatTensor的别名。

因此，如果将int64数组传递给torch.Tensor，则输出张量为浮点张量，它们将不会共享存储。 torch.from_numpy为您提供了torch.LongTensor。

a = np.arange(10)
ft = torch.Tensor(a)  # same as torch.FloatTensor
it = torch.from_numpy(a)

a.dtype  # == dtype('int64')
ft.dtype  # == torch.float32
it.dtype  # == torch.int64

Answer 2

这来自_torch_docs.py;还有可能讨论＆＃34; 为什么＆＃34; here

def from_numpy(ndarray): # real signature unknown; restored from __doc__
    """
    from_numpy(ndarray) -> Tensor

    Creates a :class:`Tensor` from a :class:`numpy.ndarray`.

    The returned tensor and `ndarray` share the same memory. 
    Modifications to the tensor will be reflected in the `ndarray` 
    and vice versa. The returned tensor is not resizable.

    Example::

        >>> a = numpy.array([1, 2, 3])
        >>> t = torch.from_numpy(a)
        >>> t
        torch.LongTensor([1, 2, 3])
        >>> t[0] = -1
        >>> a
        array([-1,  2,  3])
    """
    pass

取自numpy文档：

不同的ndarrays可以共享相同的数据，因此在一个ndarray中所做的更改可能在另一个中可见。也就是说，ndarray可以是另一个ndarray的“视图”，它所指的数据由“基础”ndarray处理。

Pytorch docs：

如果给出numpy.ndarray，torch.Tensor或torch.Storage，则返回共享相同数据的新张量。如果给出了Python序列，则从序列的副本创建新的张量。

Answer 3

在Pytorch中构建张量的推荐方法是使用以下两个工厂函数：torch.tensor和torch.as_tensor。

torch.tensor 始终复制数据。例如，torch.tensor(x)等效于x.clone().detach()。

torch.as_tensor 始终尝试避免复制数据。 as_tensor避免复制数据的一种情况是原始数据是一个numpy数组。

Answer 4

我尝试按照您所说的进行操作，并且按预期工作：火炬 1.8.1、Numpy 1.20.1、python 3.8.5

x = np.arange(8, dtype=np.float64).reshape(2,4)
y_4mNp = torch.from_numpy(x)
y_t = torch.tensor(x)
print(f"x={x}\ny_4mNp={y_4mNp}\ny_t={y_t}")

所有变量现在都具有与预期相同的值：

x=[[0. 1. 2. 3.]
 [4. 5. 6. 7.]]
y_4mNp=tensor([[0., 1., 2., 3.],
        [4., 5., 6., 7.]], dtype=torch.float64)
y_t=tensor([[0., 1., 2., 3.],
        [4., 5., 6., 7.]], dtype=torch.float64)

From_numpy 确实使用 np 变量使用的相同底层内存。因此，更改 np 或 .from_numpy 变量会相互影响，但不会影响张量变量。但是对 y_t 的更改仅影响其自身，而不影响 numpy 或 from_numpy 变量。

x[0,1] = 111       ## changed the numpy variable itself directly
y_4mNp[1,:] = 500  ## changed the .from_numpy variable
y_t[0,:] = 999     ## changed the tensor variable
print(f"x={x}\ny_4mNp={y_4mNp}\ny_t={y_t}")

现在输出：

x=[[  0. 111.   2.   3.]
 [500. 500. 500. 500.]]
y_4mNp=tensor([[  0., 111.,   2.,   3.],
        [500., 500., 500., 500.]], dtype=torch.float64)
y_t=tensor([[999., 999., 999., 999.],
        [  4.,   5.,   6.,   7.]], dtype=torch.float64)

不知道这是不是早期版本的问题？

PyTorch内存模型：＆＃34; torch.from_numpy（）＆＃34; vs＆＃34; torch.Tensor（）＆＃34;

4 个答案: