如何利用张量提升内存使用效率

注：本文转自赛灵思中文社区论坛，源文链接在此。本文原作者为XILINX工程师。

以下为个人译文，仅供个人学习记录参考之用，如有疏漏之处，还请不吝赐教。

在数据处理中，对原始数据进行重塑或重新排序并创建多个副本是很常见的行为。无论执行任何新步骤，都会创建新副本。随着程序的增大，占用的内存也会增大，我几乎从未考虑过这个问题，直到遇到了“内存不足”错误。

张量 (tensor) 的神奇之处在于多个张量可引用同一存储空间，从而显著提升内存使用效率。

在下一篇的文章中，我将聊一聊张量所具有的更神奇的属性，即跟踪上级操作，但在本文中，我将主要介绍内存优化方面的内容。

张量 (tensor) 的神奇之处在于多个张量可以引用同一存储空间（即包含给定类型的数字的连续内存区块）。此行为由 torch.storage 进行管理。

每个张量都包含 .storage 属性，用于显示内存中存储的张量内容。

在下一篇的文章中，我将聊一聊张量所具有的更神奇的属性，即跟踪上级操作，但在本文中，我将主要介绍内存优化方面的内容。

注：全新 Vitis AI 1.2 发行版将首次为 PyTorch 提供支持。本文对于新增对此热门框架的支持表示祝贺，并提供了 1 个 PyTorch 专用的 Jupyter Notebook 格式示例。

输入 [1]：

import torch
a = torch.randint(0, 9, (5,3))
a

输出 [1]：

tensor([[4, 1, 6],

[0, 8, 8],

[1, 2, 1],

[0, 5, 7],

[0, 0, 7]])

输入 [2]：

a.storage()

输出 [2]：

4

1

6

0

8

8

1

2

1

0

5

7

0

0

7

[torch.LongStorage of size 15]

输入 [3]：

a.shape

输出 [3]：

torch.Size([5, 3])

我们可能需要对原始“a”张量进行转置 (transpose) 和平展 (flatten) 处理。

何必为了相同数据浪费双倍内存？哪怕数据只是形状 (shape) 不同，也没有必要。

输入 [4]：

b = torch.transpose(a, 0, 1)
b

输出 [4]：

tensor([[4, 0, 1, 0, 0],

[1, 8, 2, 5, 0],

[6, 8, 1, 7, 7]])

a 和 b 确实是指向相同存储空间的张量。

两者表现方式不同，原因在于我们使用 stride 函数指令其按不同顺序读取该存储空间。

b 的 stride 值为 (1,3)，即读取存储空间时，每隔 1 个元素都必须跳至下一行，并且每隔 3 个元素必须跳至下一列。

输入 [5]：

b.stride(), a.stride()

输出 [5]：

((1, 3), (3, 1))

我们可以从 a 或 b 访问数据，或者也可以从原始存储空间直接访问数据。

但如果从存储空间访问，则读取的值将不再是张量。

输入 [6]：

a[1,2], b[2,1], a.storage()[5], b.storage()[5]

输出 [6]：

(tensor(8), tensor(8), 8, 8)

现在，令我感到疑惑不解的是，我发现这些张量的值神奇般地自行发生了改变：

更改 a 时，b 也变了。

输入 [7]：

a[0,0] = 10
b[0,0]

输出 [7]：

tensor(10)

发生这种状况的原因是因为，从内存角度来看，张量即经过排序的存储空间表示法。

从同一存储空间生成的 2 个张量并非独立张量，而且我必须牢记的是，当我每次更改 1 个张量后，指向相同存储空间的所有其它张量也都会被修改。

可见，即使高效的内存利用方式也难免有其缺点！

子集

通过原始数据的子集仍然能够有效利用内存。

新的张量仍然指向原始存储空间的子集。

输入 [8]：

c = a[0:2, 0:2]
c

输出 [8]：

tensor([[10, 1],

[ 0, 8]])

输入 [9]：

c[0,0]=77
a

输出 [9]：

tensor([[77, 1, 6],

[ 0, 8, 8],

[ 1, 2, 1],

[ 0, 5, 7],

[ 0, 0, 7]])

inplace 运算符

inplace 运算符即无需创建张量副本就可以直接对存储空间进行操作的函数。这些运算符通常具有易于识别的名称且以下划线结尾。

输入 [10]：

a.zero_()
b

输出 [10]：

tensor([[0, 0, 0, 0, 0],

[0, 0, 0, 0, 0],

[0, 0, 0, 0, 0]])

张量克隆

如果确实需要 1 个独立的新张量，可以对其进行克隆。

这样也会创建新的存储空间。

输入 [11]：

a_clone = a.clone()
a_clone[0,0] = 55
a_clone

输出 [11]：

tensor([[55, 0, 0],

[ 0, 0, 0],

[ 0, 0, 0],

[ 0, 0, 0],

[ 0, 0, 0]])

输入 [12]：

a

输出 [12]：

tensor([[0, 0, 0],

[0, 0, 0],

[0, 0, 0],

[0, 0, 0],

[0, 0, 0]])

为连续张量重组存储空间

部分函数仅适用于连续张量。

对 a 进行转置时，通过在 b 中分配来自存储空间的非连续矩阵值，生成了新的张量。

输入 [13]：

a.is_contiguous()

输出 [13]：

True

输入 [14]：

b.is_contiguous()

输出 [14]：

False

我们可将 b 设为连续张量，但这将导致 b 生成经过重组的新存储空间，从而导致 a 和 b 永远无法成为独立张量：

输入 [15]：

b = b.contiguous()
b[0,0] = 18
a[0,0]

输出 [15]：

tensor(0)

输入 [16]：

b.is_contiguous()

输出 [16]：

True

输入 [17]：

a.is_contiguous()

输出 [17]：

True

审核编辑：汤梓红