Question

我想知道如何在PyTorch中处理就地操作。我记得在autograd中使用就地操作一直存在问题。

实际上，令我惊讶的是，即使我尚未测试以下代码，我仍然相信下面的代码会在版本0.3.1中引发错误。

基本上我想做的是将张量向量的某个位置设置为类似的某个值：

my_tensor[i] = 42

工作示例代码：

# test parameter a
a = torch.rand((2), requires_grad=True)
print('a ', a)
b = torch.rand(2)

# calculation
c = a + b

# performing in-place operation
c[0] = 0
print('c ', c)
s = torch.sum(c)
print('s ', s)

# calling backward()
s.backward()

# optimizer step
optim = torch.optim.Adam(params=[a], lr=0.5)
optim.step()

# changed parameter a
print('changed a', a)

输出：

a  tensor([0.2441, 0.2589], requires_grad=True)
c  tensor([0.0000, 1.1511], grad_fn=<CopySlices>)
s  tensor(1.1511, grad_fn=<SumBackward0>)
changed a tensor([ 0.2441, -0.2411], requires_grad=True)

显然，在版本0.4.1中。可以正常工作而不会发出警告或错误。

参考文档中的本文：autograd-mechanics

在autograd中支持就地操作很困难，并且我们在大多数情况下，建议不要使用它们。 Autograd的攻击性缓冲释放和重用使其非常有效，并且很少就地操作实际上降低了任何情况下的内存使用率的场合大量。 除非您在内存不足的情况下进行操作压力，您可能永远不需要使用它们。

但即使有效，在大多数情况下也不建议使用就地操作。

所以我的问题是：

就地操作的使用对有多少影响？
在想要将张量的一个元素设置为特定值的情况下，如何使用就地操作？

谢谢！

Answer 1

这可能不是对您问题的直接回答，而只是为了提供信息。

就地操作适用于计算图中的非叶张量。

叶张量是作为计算图“末端”的张量。正式（来自 is_leaf 属性 here），

<块引用>

对于 requires_grad 为 True 的张量，如果它们是由用户创建的，它们将是叶张量。这意味着它们不是操作的结果，因此 grad_fn 为 None。

没有错误的例子：

a = torch.tensor([3.,2.,7.], requires_grad=True)
print(a)   # tensor([3., 2., 7.], requires_grad=True)
b = a**2
print(b)   # tensor([ 9.,  4., 49.], grad_fn=<PowBackward0>)
b[1] = 0
print(b)   # tensor([ 9.,  0., 49.], grad_fn=<CopySlices>)
c = torch.sum(2*b)
print(c)   # tensor(116., grad_fn=<SumBackward0>)
c.backward()
print(a.grad)  # tensor([12.,  0., 28.])

另一方面，就地操作不适用于叶张量。

导致错误的示例：

a = torch.tensor([3.,2.,7.], requires_grad=True)
print(a) # tensor([3., 2., 7.], requires_grad=True)
a[1] = 0
print(a) # tensor([3., 0., 7.], grad_fn=<CopySlices>)
b = a**2
print(b) # tensor([ 9.,  0., 49.], grad_fn=<PowBackward0>)
c = torch.sum(2*b)
print(c) # tensor(116., grad_fn=<SumBackward0>)
c.backward()  # Error occurs at this line. 

# RuntimeError: leaf variable has been moved into the graph interior

我想 b[1]=0 操作，在上面的第一个例子中，并不是真正的就地操作。我想它会创建一个带有“CopySlices”操作的新张量。就地操作之前的“旧 b”可能会保留在内部（只是它的名称被“新 b”覆盖）。我发现了一个不错的人物here。

旧 b ---(CopySlices)----> 新 b

另一方面，张量 a 是叶张量。在 CopySlices 操作 a[1]=0 之后，它成为一个中间张量。为了避免反向传播时叶张量和中间张量之间出现如此复杂的混合，叶张量的 CopySlices 操作禁止与反向共存。

以上仅为个人观点，请以官方文档为准。

注意：

尽管就地操作适用于中间张量，但在执行一些就地操作时，尽可能多地使用克隆和分离是安全的，以明确创建独立于计算图的新张量。< /p>

Answer 2

我不确定就地操作会影响性能多少，但是我可以解决第二个查询。您可以使用遮罩而不是就地操作。

a = torch.rand((2), requires_grad=True)
print('a ', a)
b = torch.rand(2)

# calculation
c = a + b

# performing in-place operation
mask = np.zeros(2)
mask[1] =1
mask = torch.tensor(mask)
c = c*mask
...

Answer 3

对于第二个查询，当您执行c[i] = i或类似操作时，通常会调用__setitem__。要进行适当的操作，您可以尝试调用__setitem__函数（如果执行c[i] = i操作的话。

PyTorch的就地操作

3 个答案: