Question

我正在研究注意力模型，在运行最终模型之前，我正在遍历代码的张量形状。我有一个需要重整张量的操作。张量的形状为torch.Size([[30, 8, 9, 64]])，其中30是batch_size，8是关注头的数量（与我的问题无关）9是句子中单词的数量，64是单词的中间嵌入表示。在进一步处理之前，我必须将张量重塑为torch.size([30, 9, 512])的大小。因此，我在网上查找了一些参考资料，他们做了以下x.transpose(1, 2).contiguous().view(30, -1, 512) 而我当时认为x.transpose(1, 2).reshape(30, -1, 512)应该有效。

在第一种情况下，grad_fn是<ViewBackward>，而在我的情况下是<UnsafeViewBackward>。这两个操作不一样吗？这会导致训练错误吗？

Answer 1

<块引用>

这两个不是一样的操作吗？

没有。虽然它们有效地产生相同的张量，但操作 are not the same，并且它们不能保证具有相同的 storage。

TensorShape.cpp：

// _unsafe_view() differs from view() in that the returned tensor isn't treated
// as a view for the purposes of automatic differentiation. (It's not listed in
// VIEW_FUNCTIONS in gen_autograd.py).  It's only safe to use if the `self` tensor
// is temporary. For example, the viewed tensor here (a + b) is discarded immediately
// after viewing:
//
//  res = at::_unsafe_view(a + b, size);
//
// This is a hack because in-place operations on tensors treated like views
// can be much more expensive than the same operations on non-view tensors.

请注意，如果将其应用于 complex inputs，可能会产生错误，但这通常在 PyTorch 中尚未完全支持，并且并非此函数独有。

在Pytorch（1.0）中具有类似外观的不同`grad_fn`

1 个答案: