18

我想知道如何处理 PyTorch 中的就地操作。我记得在 autograd 中使用就地操作一直是个问题。

实际上，我很惊讶下面的这段代码可以正常工作，即使我没有测试过，我相信这段代码会在 version 中引发错误0.3.1。

基本上我想做的是将张量向量的某个位置设置为某个值，如下所示：

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)

所以很明显在版本中0.4.1。这工作得很好，没有警告或错误。

参考文档中的这篇文章：autograd-mechanics

在 autograd 中支持就地操作是一件困难的事情，我们不鼓励在大多数情况下使用它们。Autograd 积极的缓冲区释放和重用使其非常高效，并且很少有情况下就地操作实际上会显着降低内存使用量。除非您在沉重的内存压力下操作，否则您可能永远不需要使用它们。

但即使它有效，在大多数情况下也不鼓励使用就地操作。

所以我的问题是：

  • 就地操作的使用对性能有多大影响？

  • 在我想将张量的一个元素设置为某个值的情况下，如何使用就地操作？

提前致谢！

4

3 回答 3

3

我不确定就地操作对性能有多大影响，但我可以解决第二个查询。您可以使用掩码而不是就地操作。

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
...
于 2018-12-01T04:55:04.787 回答
1

这可能不是您问题的直接答案，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。正式地（来自这里is_leaf的属性），

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。

没有错误的示例：

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

我认为b[1]=0在上面的第一个示例中，该操作并不是真正的就地操作。我想它用“CopySlices”操作创建了一个新的张量。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）。我在这里找到了一个不错的人物。

旧 b ---(CopySlices)----> 新 b

另一方面，张量a是叶张量。在 CopySlices 操作之后a[1]=0，它变成了一个中间张量。为了避免反向传播时叶子张量和中间张量之间的复杂混合，禁止对叶子张量的 CopySlices 操作与反向并存。

这只是我个人的看法，请以官方文档为准。

笔记：

尽管就地操作适用于中间张量，但当您执行一些就地操作时，尽可能使用克隆和分离是安全的，以显式创建一个独立于计算图的新张量。

于 2021-03-09T15:36:44.797 回答
0

对于您的第二个查询，当您执行一个c[i] = i或类似的操作时，__setitem__通常会调用。要就地进行该操作，您可以尝试调用该__setitem__函数（如果这是执行c[i] = i操作的函数。

于 2019-08-19T05:14:04.537 回答