pytorch小知识点（一）-------in-place operation

￡神魔★判官ぃ 2022-02-13 04:49 408阅读 0赞

# 一、什么是in-place #

在pytorch的很多函数中经常看到in-place选项，具体是什么意思一直一知半解。这次专门来学习一下，in-place operation在pytorch中是指改变一个tensor的值的时候，不经过复制操作，而是直接在原来的内存上改变它的值。可以把它称为原地操作符。

在pytorch中经常加**后缀“\_”来代表原地in-place operation**，比如说.add\_() 或者.scatter()。我们可以将in\_place操作简单的理解类似于python中的"+=","-="等操作。

举个例子，下面是正常的加操作，执行结束后x的值没有变化

import torch
    
    x = torch.rand(2)
    
    x
    Out[3]: tensor([0.3486, 0.2924])   #<-----这是x初始值
    
    
    y = torch.rand(2)
    
    y
    Out[5]: tensor([0.6301, 0.0101])   #<-----这是y初始值
    
    x.add(y)
    Out[6]: tensor([0.9788, 0.3026])     #<-----这是x+y的结果
    
    x
    Out[7]: tensor([0.3486, 0.2924])    #<-----这是执行操作之后x的值
    
    y
    Out[8]: tensor([0.6301, 0.0101])     #<-----这是执行操作之后y的值

我们可以发现，在正常操作之后原操作数的值不会发生变化。

下面我们来看看**in\_place**操作

import torch
    
    x = torch.rand(2)
    
    x
    Out[3]: tensor([0.3486, 0.2924])   #<-----这是x初始值
    
    
    y = torch.rand(2)
    
    y
    Out[5]: tensor([0.6301, 0.0101])   #<-----这是y初始值
    
    x.add_(y)
    Out[9]: tensor([0.9788, 0.3026])   #<-----这是x+y结果
    
    x
    Out[10]: tensor([0.9788, 0.3026])  #<-----这是操作后x的值
    
    y
    Out[11]: tensor([0.6301, 0.0101])   #<-----这是操作后y的值

通过对比可以发现，in\_place操作之后，原操作数等于表达式计算结果。也就是说将计算结果赋给了原操作数。

# 二、不能使用in-place的情况 #

1.  对于 requires\_grad=True 的 **叶子张量(leaf tensor) **不能使用 inplace operation
2.  对于在 **求梯度阶段需要用到的张量** 不能使用 inplace operation

参考资料：

【1】[关于pytorch-inplace operation你需要知道的几件事][pytorch-inplace operation]

[pytorch-inplace operation]: https://zhuanlan.zhihu.com/p/38475183