pytorch的廣播語義（broadcasting semantics），和numpy的很像，所以可以先看看numpy的文檔：

1、什么是廣播語義？

官方文檔有這樣一個解釋：

In short, if a PyTorch operation supports broadcast, then its Tensor arguments can be automatically expanded to be of equal sizes (without making copies of the data).

這句話的意思大概是：簡單的說，如果一個pytorch操作支持廣播，那么它的Tensor參數(shù)可以自動的擴(kuò)展為相同的尺寸（不需要復(fù)制數(shù)據(jù)）。

按照我的理解，應(yīng)該是指算法計算過程中，不同的Tensor如果size不同，但是符合一定的規(guī)則，那么可以自動的進(jìn)行維度擴(kuò)展，來實現(xiàn)Tensor的計算。在維度擴(kuò)展的過程中，并不是真的把維度小的Tensor復(fù)制為和維度大的Tensor相同，因為這樣太浪費內(nèi)存了。

2、廣播語義的規(guī)則

首先來看標(biāo)準(zhǔn)的情況，兩個Tensor的size相同，則可以直接計算：

x = torch.empty((4, 2, 3))
y = torch.empty((4, 2, 3))?
print((x+y).size())?

輸出：

torch.Size([4, 2, 3]) 

但是，如果兩個Tensor的維度并不相同，pytorch也是可以根據(jù)下面的兩個法則進(jìn)行計算：

• （1）Each tensor has at least one dimension.
• （2）When iterating over the dimension sizes, starting at the trailing dimension, the dimension sizes must either be equal, one of them is 1, or one of them does not exist.
• 每個Tensor至少有一個維度。
• 迭代標(biāo)注尺寸時，從后面的標(biāo)注開始

第一個規(guī)則要求每個參與計算的Tensor至少有一個維度，第二個規(guī)則是指在維度迭代時，從最后一個維度開始，可以有三種情況：

• 維度相等
• 其中一個維度是1
• 其中一個維度不存在

3、不符合廣播語義的例子

x = torch.empty((0, ))
y = torch.empty((2, 3))?
print((x + y).size())

輸出：

RuntimeError: The size of tensor a (0) must match  the size of tensor b (3) at non-singleton dimension 1 

這里，不滿足第一個規(guī)則“每個參與計算的Tensor至少有一個維度”。

x = torch.empty(5, 2, 4, 1)?
y = torch.empty(3, 1, 1)?
print((x + y).size())

輸出：

RuntimeError: The size of tensor a (2) must match 
the size of tensor b (3) at non-singleton dimension 1 

這里，不滿足第二個規(guī)則，因為從最后的維度開始迭代的過程中，倒數(shù)第三個維度：x是2，y是3。這并不符合第二條規(guī)則的三種情況，所以不能使用廣播語義。

4、符合廣播語義的例子

x = torch.empty(5, 3, 4, 1)?
y = torch.empty(3, 1, 1)?
print((x + y).size())?

輸出：

torch.Size([5, 3, 4, 1]) 

x是四維的，y是三維的，從最后一個維度開始迭代：

• 最后一維：x是1，y是1，滿足規(guī)則二 
• 倒數(shù)第二維：x是4，y是1，滿足規(guī)則二 
• 倒數(shù)第三維：x是3，y是3，滿足規(guī)則一
• 倒數(shù)第四維：x是5，y是0，滿足規(guī)則一 

 到此這篇關(guān)于pytorch中的廣播語義的文章就介紹到這了,更多相關(guān)pytorch廣播語義內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評論