pytorch multiprocessing（Pytorch中的广播机制（Broadcast））

1. Pytorch中的广播机制

如果一个Pytorch运算支持广播的话    
    
    
，那么就意味着传给这个运算的参数会被自动扩张成相同的size   


     


     


    ，在不复制数据的情况下就能进行运算



 




 




 


，整个过程可以做到避免无用的复制   

   

   

，达到更高效的运算    
    
    
。

广播机制实际上是在运算过程中    

     

     

   ，去处理两个形状不同向量的一种手段   


     


     


    。 pytorch中的广播机制和numpy中的广播机制一样, 因为都是数组的广播机制



 




 




 


。

2. 广播机制的理解

以数组A和数组B的相加为例, 其余数学运算同理

核心:如果相加的两个数组的shape不同, 就会触发广播机制：

      1）程序会自动执行操作使得A.shape==B.shape；

      2）对应位置进行相加运算




  




  




  

，结果的shape是：A.shape和B.shape对应位置的最大值  


  


  


，比如：A.shape=(1,9,4),B.shape=(15,1,4),那么A+B的shape是(15,9,4)

3. 两个张量进行广播机制的条件

3.1 两个张量都至少有一个维度

#像下面这种情况下就不行     
     
     
  ，因为x不满足这个条件   

   

   

。 x=torch.empty((0,)) y=torch.empty(2,2)

3.2 按从右往左顺序看两个张量的每一个维度




   




   




   
，x和y每个对应着的两个维度都需要能够匹配上

    

     

     

   。什么情况下算是匹配上了？满足下面的条件就可以：

      a.这两个维度的大小相等

      b. 某个维度 一个张量有
 



 



 



，一个张量没有

      c.某个维度 一个张量有                ，一个张量也有但大小是1 如下举例： x=torch.empty(5,3,4,1) y=torch.empty( 3,1,1)

如上面代码中 




    




    




    ，首先将两个张量维度向右靠齐
















，从右往左看               ，两个张量第四维大小相等  



     



     



     ，都为1
















，满足上面条件a;第三个维度大小不相等    
    
    
，但第二个张量第三维大小为1   


     


     


    ，满足上面条件b;第二个维度大小相等都为3



 




 




 


，满足上面条件a;第一个维度第一个张量有   

   

   

，第二个张量没有    

     

     

   ，满足上面条件b




  




  




  

，因此两个张量每个维度都符合上面广播条件  


  


  


，因此可以进行广播






  




  




  

。

两个张量维度从右往左看     
     
     
  ，如果出现两个张量在某个维度位置上面




   




   




   
，维度大小不相等
 



 



 



，且两个维度大小没有一个是1                ，那么这两个张量一定不能进行广播  


  


  


。

4 当两个张量满足可广播条件后 




    




    




    ，具体怎么进行广播

x=torch.empty(5,3,4,1) y=torch.empty( 3,1,1)

如上面代码所示：

     a. 首先第一步
















，将上面条件b的类型变成条件c的类型               ，也即是把第二个张量在缺失维度的位置上新增一个维度  



     



     



     ，维度大小为1
















，新增的维度如下面所示     
     
     
  。 统一前: x=torch.empty(5,3,4,1) y=torch.empty( 3,1,1) 统一后： x=torch.empty(5,3,4,1) y=torch.empty(1,3,1,1)

     b. 第二步    
    
    
，x    
    
    
、y对应维度不等的位置   


     


     


    ，把size为1的维度会被广播得和对应维度一样大



 




 




 


，比如y中0维的1会变成5   

   

   

，y中2维的1会变成4    

     

     

   ，最后两个张量的维度大小变成一样




  




  




  

，然后再进行张量运算  


  


  


，转变的维度如下所示




   




   




   
。

统一前: x=torch.empty(5,3,4,1) y=torch.empty(1,3,1,1) 统一后： x=torch.empty(5,3,4,1) y=torch.empty(5,3,4,1)

5. 从空间上理解广播机制

5.1 一维张量进行广播     
     
     
  ，b被自动广播得和a一样的维度大小




   




   




   
，完成了张量相乘运算
 



 



 



，如下图所示
 



 



 



。

a = torch.tensor([1,2,3]) b = torch.tensor([2]) c = a*b a,a.shape,b,b.shape,c,c.shape 输出结果如下： (tensor([1, 2, 3]), torch.Size([3]), tensor([2]), torch.Size([1]), tensor([2, 4, 6]), torch.Size([3]))

5.1 二维张量进行广播                ，b被自动广播得和a一样的维度大小 




    




    




    ，完成了张量相加运算
















，如下图所示                。

a = torch.tensor([[0],[10],[20],[30]]) b = torch.tensor([1,2,3]) c = a+b a,a.shape,b,b.shape,c,c.shape 输出结果如下： (tensor([[ 0], [10], [20], [30]]), torch.Size([4, 1]), tensor([1, 2, 3]), torch.Size([3]), tensor([[ 1, 2, 3], [11, 12, 13], [21, 22, 23], [31, 32, 33]]), torch.Size([4, 3]))

上面二维张量和一维张量相加运算进行广播过程为：a的形状是(4,1)               ，b的形状是(3)  



     



     



     ，如果a和b要匹配上
















，第一步给b新添一个维度    
    
    
，我们有：a的形状是(4,1)   


     


     


    ，b的形状是(1,3)；第二步二者各自把为1的维度进行广播



 




 




 


，就如上图中那样进行广播   

   

   

，最后运算完成 




    




    




    。