在數據處理中，對原始數據進行重塑或重新排序并創建多個副本是很常見的行為。無論執行任何新步驟，都會創建新副本。隨著程序的增大，占用的內存也會增大，我幾乎從未考慮過這個問題，直到遇到了“內存不足”錯誤。

張量 （tensor） 的神奇之處在于多個張量可以引用同一存儲空間（即包含給定類型的數字的連續內存區塊）。此行為由 torch.storage 進行管理。

每個張量都包含 .storage 屬性，用于顯示內存中存儲的張量內容。

在下一篇的文章中，我將聊一聊張量所具有的更神奇的屬性，即跟蹤上級操作。

在本文中，我將主要介紹內存優化方面的內容。

全新 Vitis AI 1.2 發行版將首次為 PyTorch 提供支持。本文對于新增對此熱門框架的支持表示祝賀，并提供了 1 個 PyTorch 專用的 Jupyter Notebook 格式示例。

輸入 ［1］：

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

輸出 ［1］：

tensor([[4, 1, 6],

        [0, 8, 8],

        [1, 2, 1],

        [0, 5, 7],

        [0, 0, 7]])

輸出 ［2］：

a.storage()

輸出 ［2］：

 4

 1

 6

 0

 8

 8

 1

 2

 1

 0

 5

 7

 0

 0

 7

[torch.LongStorage of size 15]

輸出 ［3］：

a.shape

輸出 ［3］：

torch.Size([5, 3])

我們可能需要對原始“a”張量進行轉置 （transpose） 和平展 （flatten） 處理。

何必為了相同數據浪費雙倍內存？哪怕數據只是形狀 （shape） 不同，也沒有必要。

輸入 ［4］：

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

輸出 ［4］：

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

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

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

a和b確實是指向相同存儲空間的張量。

兩者表現方式不同，原因在于我們使用 stride 函數指令其按不同順序讀取該存儲空間。

b的 stride 值為 （1，3），即讀取存儲空間時，每隔 1 個元素都必須跳至下一行，并且每隔 3 個元素必須跳至下一列。

輸出 ［5］：

b.stride(), a.stride()

輸出 ［5］：

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

我們可以從a或b訪問數據，或者也可以從原始存儲空間直接訪問數據。

但如果從存儲空間訪問，則讀取的值將不再是張量。

輸入 ［6］：

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

輸出 ［6］：

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

現在，令我感到疑惑不解的是，我發現這些張量的值神奇般地自行發生了改變：

更改a時，b也變了。

輸入 ［7］：

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

輸出 ［7］：

tensor(10)

發生這種狀況的原因是因為，從內存角度來看，張量即經過排序的存儲空間表示法。

從同一存儲空間生成的 2 個張量并非獨立張量，而且我必須牢記的是，當我每次更改 1 個張量后，指向相同存儲空間的所有其它張量也都會被修改。

可見，即使高效的內存利用方式也難免有其缺點！

子集

通過原始數據的子集仍然能夠有效利用內存。

新的張量仍然指向原始存儲空間的子集。

輸入 ［8］：

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

輸出 ［8］：

tensor([[10,  1],

        [ 0,  8]])

輸入 ［9］：

c[0,0]=77
a

輸出 ［9］：

tensor([[77,  1,  6],

        [ 0,  8,  8],

        [ 1,  2,  1],

        [ 0,  5,  7],

        [ 0,  0,  7]])

inplace 運算符

inplace 運算符即無需創建張量副本就可以直接對存儲空間進行操作的函數。這些運算符通常具有易于識別的名稱且以下劃線結尾。

輸入 ［10］：

a.zero_()
b

輸出 ［10］：

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

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

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

張量克隆

如果確實需要 1 個獨立的新張量，可以對其進行克隆。

這樣也會創建新的存儲空間。

輸入 ［11］：

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

輸出 ［11］：

tensor([[55,  0,  0],

        [ 0,  0,  0],

        [ 0,  0,  0],

        [ 0,  0,  0],

        [ 0,  0,  0]])

輸出 ［12］：

a

輸出 ［12］：

tensor([[0, 0, 0],

        [0, 0, 0],

        [0, 0, 0],

        [0, 0, 0],

        [0, 0, 0]])

為連續張量重組存儲空間

部分函數僅適用于連續張量。

對a進行轉置時，通過在b中分配來自存儲空間的非連續矩陣值，生成了新的張量。

輸入 ［13］：

a.is_contiguous()

輸出 ［13］：

True

輸出 ［14］：

b.is_contiguous()

輸出 ［14］：

False

我們可將b設為連續張量，但這將導致b生成經過重組的新存儲空間，從而導致a和b永遠無法成為獨立張量：

輸入 ［15］：

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

輸出 ［15］：

tensor(0)

輸出 ［16］：

b.is_contiguous()

輸出 ［16］：

True

輸出 ［16］：

a.is_contiguous()

True