pytorch变量间的内存共享

最新推荐文章于 2024-08-14 17:41:51 发布

改个名字真不容易�

最新推荐文章于 2024-08-14 17:41:51 发布

阅读量1.6k

点赞数 4

文章标签： pytorch

本文链接：https://blog.csdn.net/weixin_44010117/article/details/107208136

版权

PyTorch中，通过`=`赋值可能产生变量间的内存共享。`unsqueeze`和`expand`操作创建的变量会共享内存，修改其中一个会影响其他。而`repeat`则创建副本，不共享内存。算术运算如乘以1.0可以打破内存共享。选择操作如使用mask获取的值是原矩阵的拷贝，修改不影响原矩阵。

摘要由CSDN通过智能技术生成

我们在使用pytorch时，经常会用一个变量对另外一个变量赋值，但是某些操作得到的结果只是原变量的引用，内存是共享的，修改一个变量，其他变量的值也会受影响。有些操作得到的结果是对原变量的拷贝。
使用 b=a[:,:5,5] b=a[0] b=a[…,0] 等操作得到的b是a的一个引用，内存是共享的，当b的值被某些操作修改后，a的值也会改变，
c=b.unsqueeze(0).expand(10,4) , Tensor.expand_as（）操作得到的c与b的内存是共享的，expand增加的维度占用是同一块内存，当c的值被修改后，b的值也会被改变，a的值也会改变。
代数运算会对变量间的内存共享产生影响，下图左半部分当中，matchs=match.unsqueeze(0).expand(10,4).data，得到的matches与abc共享内存，但是当在式子中添加算术运算后，matchs=1.0*match.unsqueeze(0).expand(10,4).data，所得到的matches就于abc不再共享内存了，如下图右边所示。
在这里插入图片描述
c=b.unsqueeze(0).repeat(10,1)，repeat操作得到的c是b的拷贝，修改c的值后b的值不会被影响。
如下图所示：

使用mask选择出来的值是原矩阵的拷贝，比如：data=abc[abc>10] 修改data的值不会影响abc的值。