PyTorch 张量的分块处理介绍

分块处理是将大型张量分解成较小的块，以便更高效地进行计算，减少内存占用，特别适用于处理超大张量的场景（如深度学习中的大批量数据或大型模型训练）。

PyTorch 提供了多种方法来分块张量，包括 chunk、split、unfold 等。以下是这些方法的介绍及其适用场景。

---

1. 使用 torch.chunk

功能
将张量沿指定维度分成 指定数量的块。

语法

torch.chunk(input, chunks, dim=0)

• input：输入张量。
• chunks：将张量分成的块数。
• dim：指定分块的维度。

示例

x = torch.arange(12).reshape(3, 4)  # 一个 3x4 的张量
print(x)

# 沿第 0 维（行）分成 3 块
chunks = torch.chunk(x, chunks=3, dim=0)
for i, chunk in enumerate(chunks):
    print(f"Chunk {i}:\n{chunk}")

2. 使用 torch.split

功能
将张量沿指定维度分成 指定大小的块。每块的大小可以不相同。

语法

torch.split(input, split_size_or_sections, dim=0)

• split_size_or_sections：可以是整数（每块的大小）或列表（每块的大小分别定义）。
• dim：指定分块的维度。

示例

x = torch.arange(12).reshape(3, 4)

# 沿第 1 维（列）分成大小为 2 的块
chunks = torch.split(x, 2, dim=1)
for i, chunk in enumerate(chunks):
    print(f"Chunk {i}:\n{chunk}")

# 指定块的大小分别为 1 和 3
chunks = torch.split(x, [1, 3], dim=1)
for i, chunk in enumerate(chunks):
    print(f"Chunk {i}:\n{chunk}")

3. 使用 torch.unfold

功能
从张量中提取 滑动窗口 块，适用于卷积、时间序列等需要处理局部区域的场景。

语法

torch.unfold(input, dimension, size, step)

• dimension：滑动窗口应用的维度。
• size：窗口大小。
• step：滑动步长。

示例

x = torch.arange(1, 10).reshape(1, 1, 3, 3)  # 3x3 张量
print("Original tensor:\n", x)

# 滑动窗口大小为 2x2，步长为 1
unfolded = x.unfold(2, 2, 1).unfold(3, 2, 1)
print("Unfolded tensor shape:", unfolded.shape)
print("Unfolded tensor:\n", unfolded)

注： x.unfold(2, 2, 1)中第一个2为维度，第二个2为窗口大小，1为滑动步长。

4. 分块处理的优化场景

(1) 内存优化

• 当内存不足以加载整个大张量时，将其分块并逐块处理可以显著减少内存占用。

(2) 并行处理

• 将张量分块后，可以将各个块分配到不同的设备（如多 GPU）进行并行计算，提高计算效率。

(3) 数据流批处理

• 在训练深度学习模型时，可将大批次数据分块处理，避免一次性加载超大批次导致显存溢出。

5. 分块与重组

分块后常需要对处理后的块进行重组，以恢复原始张量的形状。PyTorch 提供以下方法：

(1) torch.cat

将多个张量按指定维度连接。

x1 = torch.tensor([[1, 2]])
x2 = torch.tensor([[3, 4]])
result = torch.cat([x1, x2], dim=0)
print(result)  # tensor([[1, 2],
               #         [3, 4]])

(2) torch.stack

将多个张量堆叠到新的维度上。

x1 = torch.tensor([1, 2])
x2 = torch.tensor([3, 4])
result = torch.stack([x1, x2], dim=0)
print(result)  # tensor([[1, 2],
               #         [3, 4]])

(3) torch.reshape

用于恢复分块前的形状。

chunk = torch.arange(12).reshape(3, 4)
flattened = chunk.flatten()
restored = flattened.reshape(3, 4)
print(restored)

6. 总结

• chunk：按块数分割张量，块大小可能不均。
• split：按块大小分割张量，可以自定义每块的大小。
• unfold：生成滑动窗口块，适用于局部区域计算。
• 分块优化场景：适用于内存优化、并行计算和大批次数据处理。

原文地址：https://blog.csdn.net/qq_27390023/article/details/145024043

免责声明：本站文章内容转载自网络资源，如侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！