PyTorch中的拷贝与就地操作详解
前言
PyTroch中我们经常使用到Numpy进行数据的处理，然后再转为Tensor，但是关系到数据的更改时我们要注意方法是否是共享地址，这关系到整个网络的更新。本篇就In-palce操作，拷贝操作中的注意点进行总结。
In-place操作
pytorch中原地操作的后缀为_，如.add_()或.scatter_()，就地操作是直接更改给定Tensor的内容而不进行复制的操作，即不会为变量分配新的内存。Python操作类似+=或*=也是就地操作。（我加了我自己~）
为什么in-place操作可以在处理高维数据时可以帮助减少内存使用呢，下面使用一个例子进行说明，定义以下简单函数来测量PyTorch的异位ReLU（out-of-place）和就地ReLU(in-place)分配的内存：
importtorch#importmainlibrary
importtorch.nnasnn#importmoduleslikenn.ReLU()
importtorch.nn.functionalasF#importtorchfunctionslikeF.relu()andF.relu_()
defget_memory_allocated(device,inplace=False):
'''
FunctionmeasuresallocatedmemorybeforeandaftertheReLUfunctioncall.
INPUT:
-device:gpudevicetoruntheoperation
-inplace:True-torunReLUin-place,False-fornormalReLUcall
'''
#Createalargetensor
t=torch.randn(10000,10000,device=device)
#Measureallocatedmemory
torch.cuda.synchronize()
start_max_memory=torch.cuda.max_memory_allocated()/1024**2
start_memory=torch.cuda.memory_allocated()/1024**2
#Callin-placeornormalReLU
ifinplace:
F.relu_(t)
else:
output=F.relu(t)
#Measureallocatedmemoryafterthecall
torch.cuda.synchronize()
end_max_memory=torch.cuda.max_memory_allocated()/1024**2
end_memory=torch.cuda.memory_allocated()/1024**2
#ReturnamountofmemoryallocatedforReLUcall
returnend_memory-start_memory,end_max_memory-start_max_memory
#setupthedevice
device=torch.device('cuda:0'iftorch.cuda.is_available()else"cpu")
#开始测试
#Callthefunctiontomeasuretheallocatedmemoryfortheout-of-placeReLU
memory_allocated,max_memory_allocated=get_memory_allocated(device,inplace=False)
print('Allocatedmemory:{}'.format(memory_allocated))
print('Allocatedmaxmemory:{}'.format(max_memory_allocated))
'''
Allocatedmemory:382.0
Allocatedmaxmemory:382.0
'''
#Thencallthein-placeReLUasfollows:
memory_allocated_inplace,max_memory_allocated_inplace=get_memory_allocated(device,inplace=True)
print('Allocatedmemory:{}'.format(memory_allocated_inplace))
print('Allocatedmaxmemory:{}'.format(max_memory_allocated_inplace))
'''
Allocatedmemory:0.0
Allocatedmaxmemory:0.0
'''
看起来，使用就地操作可以帮助我们节省一些GPU内存。但是，在使用就地操作时应该格外谨慎。
就地操作的主要缺点主要原因有2点，官方文档：
1.可能会覆盖计算梯度所需的值，这意味着破坏了模型的训练过程。
2.每个就地操作实际上都需要实现来重写计算图。异地操作Out-of-place分配新对象并保留对旧图的引用，而就地操作则需要更改表示此操作的函数的所有输入的创建者。
在Autograd中支持就地操作很困难，并且在大多数情况下不鼓励使用。Autograd积极的缓冲区释放和重用使其非常高效，就地操作实际上降低内存使用量的情况很少。除非在沉重的内存压力下运行，否则可能永远不需要使用它们。
总结：Autograd很香了，就地操作要慎用。
拷贝方法
浅拷贝方法：共享data的内存地址，数据会同步变化
*a.numpy()#Tensor—>Numpyarray
*view()#改变tensor的形状，但共享数据内存，不要直接使用id进行判断
*y=x[:]#索引
*torch.from_numpy()#Numpyarray—>Tensor
*torch.detach()#新的tensor会脱离计算图，不会牵扯梯度计算。
*model:forward()
还有很多选择函数也是数据共享内存，如index_select()masked_select()gather()。
以及后文提到的就地操作in-place。
深拷贝方法：
*torch.clone()#新的tensor会保留在计算图中，参与梯度计算
下面进行验证，首先验证浅拷贝：
importtorchast importnumpyasnp a=np.ones(4) b=t.from_numpy(a)#Numpy->Tensor print(a) print(b) '''输出： [1.1.1.1.] tensor([1.,1.,1.,1.],dtype=torch.float64) ''' b.add_(1)#add_会修改b自身 print(a) print(b) '''输出： [2.2.2.2.] tensor([2.,2.,2.,2.],dtype=torch.float64) b进行add操作后,a,b同步发生了变化 '''
Tensor和numpy对象共享内存（浅拷贝操作），所以他们之间的转换很快，且会同步变化。
造torch中y=x+y这样的运算是会新开内存的，然后将y指向新内存。为了进行验证，我们可以使用Python自带的id函数：如果两个实例的ID一致，那么它们所对应的内存地址相同；但需要注意是在torch中还有些特殊，数据共享时直接打印tensor的id仍然会出现不同。
x=torch.tensor([1,2]) y=torch.tensor([3,4]) id_0=id(y) y=y+x print(id(y)==id_0) #False
这时使用索引操作不会开辟新的内存，而想指定结果到原来的y的内存，我们可以使用索引来进行替换操作。比如把x+y的结果通过[:]写进y对应的内存中。
x=torch.tensor([1,2]) y=torch.tensor([3,4]) id_0=id(y) y[:]=y+x print(id(y)==id_0) #True
另外，以下两种方式也可以索引到相同的内存：
- torch.add(x,y,out=y)
- y+=x,y.add_(x)
x=torch.tensor([1,2]) y=torch.tensor([3,4]) id_0=id(y) torch.add(x,y,out=y) #y+=x,y.add_(x) print(id(y)==id_0) #True
clone()与detach()对比
Torch为了提高速度，向量或是矩阵的赋值是指向同一内存的，这不同于Matlab。如果需要保存旧的tensor即需要开辟新的存储地址而不是引用，可以用clone()进行深拷贝，
首先我们来打印出来clone()操作后的数据类型定义变化：
(1).简单打印类型
importtorch a=torch.tensor(1.0,requires_grad=True) b=a.clone() c=a.detach() a.data*=3 b+=1 print(a)#tensor(3.,requires_grad=True) print(b) print(c) ''' 输出结果： tensor(3.,requires_grad=True) tensor(2.,grad_fn=) tensor(3.)#detach()后的值随着a的变化出现变化 '''
grad_fn=
detach()操作后的tensor与原始tensor共享数据内存，当原始tensor在计算图中数值发生反向传播等更新之后，detach()的tensor值也发生了改变。
注意：在pytorch中我们不要直接使用id是否相等来判断tensor是否共享内存，这只是充分条件，因为也许底层共享数据内存，但是仍然是新的tensor，比如detach()，如果我们直接打印id会出现以下情况。
importtorchast a=t.tensor([1.0,2.0],requires_grad=True) b=a.detach() #c[:]=a.detach() print(id(a)) print(id(b)) #140568935450520 140570337203616
显然直接打印出来的id不等，我们可以通过简单的赋值后观察数据变化进行判断。
(2).clone()的梯度回传
detach()函数可以返回一个完全相同的tensor,与旧的tensor共享内存，脱离计算图，不会牵扯梯度计算。
而clone充当中间变量，会将梯度传给源张量进行叠加，但是本身不保存其grad，即值为None
importtorch a=torch.tensor(1.0,requires_grad=True) a_=a.clone() y=a**2 z=a**2+a_*3 y.backward() print(a.grad)#2 z.backward() print(a_.grad)#None.中间variable，无grad print(a.grad) ''' 输出： tensor(2.) None tensor(7.)#2*2+3=7 '''
使用torch.clone()获得的新tensor和原来的数据不再共享内存，但仍保留在计算图中，clone操作在不共享数据内存的同时支持梯度梯度传递与叠加，所以常用在神经网络中某个单元需要重复使用的场景下。
通常如果原tensor的requires_grad=True，则：
- clone()操作后的tensorrequires_grad=True
- detach()操作后的tensorrequires_grad=False。
importtorch torch.manual_seed(0) x=torch.tensor([1.,2.],requires_grad=True) clone_x=x.clone() detach_x=x.detach() clone_detach_x=x.clone().detach() f=torch.nn.Linear(2,1) y=f(x) y.backward() print(x.grad) print(clone_x.requires_grad) print(clone_x.grad) print(detach_x.requires_grad) print(clone_detach_x.requires_grad) ''' 输出结果如下： tensor([-0.0053,0.3793]) True None False False '''
另一个比较特殊的是当源张量的require_grad=False，clone后的张量require_grad=True，此时不存在张量回传现象，可以得到clone后的张量求导。
如下：
importtorch a=torch.tensor(1.0) a_=a.clone() a_.requires_grad_()#require_grad=True y=a_**2 y.backward() print(a.grad)#None print(a_.grad) ''' 输出： None tensor(2.) '''
总结：
torch.detach()—新的tensor会脱离计算图，不会牵扯梯度计算
torch.clone()—新的tensor充当中间变量，会保留在计算图中，参与梯度计算（回传叠加），但是一般不会保留自身梯度。
原地操作(in-place,suchasresize_/resize_as_/set_/transpose_)在上面两者中执行都会引发错误或者警告。
引用官方文档的话：如果你使用了in-placeoperation而没有报错的话，那么你可以确定你的梯度计算是正确的。另外尽量避免in-place的使用。
到此这篇关于PyTorch中拷贝与就地操作的文章就介绍到这了,更多相关PyTorch拷贝与就地操作内容请搜索毛票票以前的文章或继续浏览下面的相关文章希望大家以后多多支持毛票票！