pytorch 中的存储方式

1 逻辑存储与内存存储 

对于一个Tensor来说，我们可以认为它有两种存储方式

• 逻辑存储

• 内存存储

 

1.1 高维张量

• 在torch/numpy中, 即使是高维张量在内存中也是存储在一块连续的内存区域中
• 会记录一些元信息来描述数组的"形态", 例如起始地址, 步长 (stride), 大小 (size)等.
• 对高维张量进行索引时我们采用起始地址 + 地址偏移量的计算方式, 而地址偏移量就需要用到stride和size的信息

当我们在使用view去修改tensor的时候, 其实我们并没有修改tensor在内存中的存储, 而只是通过修改stride和size来描述张量形状的变化: 

1.2 按行展开和按列展开

•  如果张量x的行优先展开形式和其内存存储一致, 则我们称之为C-contiguous.
  • Numpy, Pytorch中的contiguous指的就是C-contiguous
• 如果张量x的列优先展开形式和其内存存储一致, 则我们称之为Fortran-contiguous.
  • Matlab, Fortran中的contiguous指的是Fortran-contiguous.

2 View，reshape，permute

2.1 view

• view要求输入和输出的tensor都是contiguous的, 否则会throw exception
• 换言之, 你不管对一个tensor使用了多少次view, 你都只是在改变stride和size, 并没有修改这个tensor的内存存储

2.2 reshape

• 对于contiguous的输入, reshape等于view
• 对于incontiguous的输入, reshape等于tensor.contigous().view
  • 其中contiguous()会开辟一块新的内存空间, 将incontiguous的张量按照行优先展开的方式存储进去.
  • 所以reshape是有可能修改内存存储的结构的

2.3 permute

• 虽然permute和view一样, 都是修改stride和size， 但是permute并不保证返回的tensor是contiguous的.
• 换言之permute().contiguous()就有可能修改内存存储方式了.
• 

参考文献：Pytorch中的View, Reshape, Permute | Lemon's Blog (coderlemon17.github.io)