本文最后更新于:2024年5月7日 下午

numpy 和 pytorch tensor 存在内存是否连续的情况,对运行速度甚至网络运行结果都存在影响。

含义

  • contiguous 本身是形容词**,**表示连续的。所谓contiguous array,指的是数组在内存中存放的地址也是连续的(注意内存地址实际是一维的),即访问数组中的下一个元素,直接移动到内存中的下一个地址就可以。
  • 在numpy和torch的数据结构中,都有表示变量是否在内存中数据连续存储的概念。
  • 连续存储又分为按照行优先(C order和按照列优先(Fortran order

行优先 C order

行是指多维数组一维展开的方式,对应的是列优先。C/C++中使用的是行优先方式(row major),Matlab、Fortran使用的是列优先方式(column major),PyTorch中Tensor底层实现是C,也是使用行优先顺序,因此也称为 C order

  • Pascal, C,C++,Python都是行优先存储的。

列优先 Fortran order

Fortran Order则指的是列优先的顺序(Column-major Order),即内存中同列的元素存在一起。

  • Fortran,MatLab是列优先存储的。

数据举例

行优先

考虑一个2维数组arr = np.arange(12).reshape(3,4)。这个数组看起来结构是这样的:

在计算机的内存里,数组arr实际存储是像下图所示的:

这意味着arrC连续的C contiguous)的,因为在内存是行优先的,即某个元素在内存中的下一个位置存储的是它同行的下一个值。

如果想要向下移动一列,则只需要跳过3个块既可(例如,从0到4只需要跳过1,2和3)。

1
2
3
4
5
6
7
8
import numpy as np

if __name__ == '__main__':
arr = np.arange(12).reshape(3, 4)
print(arr.flags)
print(arr)

pass
  • 输出:
1
2
3
4
5
6
7
8
9
10
11
  C_CONTIGUOUS : True
F_CONTIGUOUS : False
OWNDATA : False
WRITEABLE : True
ALIGNED : True
WRITEBACKIFCOPY : False
UPDATEIFCOPY : False

[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
  • C_CONTIGUOUS 为 True 表示该矩阵行连续

也就是其中的行 [ 0 1 2 3] 在内存中连续,那么 [0 4 8] 就不会连续了,因此 F_CONTIGUOUS 为 False

列优先

上述数组的转置arr.T则没有了C连续特性,因为同一行中的相邻元素现在并不是在内存中相邻存储的了:

这里要说明一下,如果直接用这些值创建的numpy变量是连续的,因为Python默认 C order,新创建的numpy都是行优先的

但是我们创建arr时是以 0 - 11 为顺序创建的,其中[0 1 2 3] [4 5 6 7] [8 9 10 11]连续,矩阵转置后只改变引用,内存数据并不发生变化

类似的操作如numpy 的 slicetranspose转置 或 tensor中的 permute 等操作都可能导致改变之前数据与内存的行连续状况

  • 转置后,内存上仍然是 [0 1 2 3] [4 5 6 7] [8 9 10 11]连续,在当前矩阵上就是列连续,因此这是个Fortran order 连续的矩阵
1
2
3
4
5
6
7
8
9
import numpy as np

if __name__ == '__main__':
arr = np.arange(12).reshape(3, 4)
arr = arr.T
print(arr.flags)
print(arr)

pass
  • 输出:
1
2
3
4
5
6
7
8
9
10
11
12
  C_CONTIGUOUS : False
F_CONTIGUOUS : True
OWNDATA : False
WRITEABLE : True
ALIGNED : True
WRITEBACKIFCOPY : False
UPDATEIFCOPY : False

[[ 0 4 8]
[ 1 5 9]
[ 2 6 10]
[ 3 7 11]]

查看连续性

numpy

  • 可以使用 data.contiguousdata.c_contiguousdata.f_contiguous 属性
  • 或者使用 flags 属性
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
import numpy as np


if __name__ == '__main__':
arr = np.arange(12).reshape(3, 4)

print(arr.data.contiguous) # True
print(arr.data.c_contiguous) # True
print(arr.data.f_contiguous) # False

print(arr.flags)
print(arr)

pass

  • 输出
1
2
3
4
5
6
7
8
9
10
11
12
13
14
True
True
False
C_CONTIGUOUS : True
F_CONTIGUOUS : False
OWNDATA : False
WRITEABLE : True
ALIGNED : True
WRITEBACKIFCOPY : False
UPDATEIFCOPY : False

[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]

pytorch

  • pytorch 的 tensor 有方法 is_contiguous 用来查看是否 C 连续
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
import torch
import numpy as np


if __name__ == '__main__':
arr = np.arange(12).reshape(3, 4)
ten = torch.from_numpy(arr)

print(ten.is_contiguous()) # True

ten_t = torch.from_numpy(arr.T)
print(ten_t.is_contiguous()) # False

pass

  • 输出
1
2
True
False

产生的影响

性能影响

从性能上来说,获取内存中相邻的地址比不相邻的地址速度要快很多(从RAM读取一个数值的时候可以连着一起读一块地址中的数值,并且可以保存在Cache中),这意味着对连续数组的操作会快很多。

由于arr是C连续的,因此对其进行行操作比进行列操作速度要快

通常来说

1
np.sum(arr, axis=1) # 按行求和

会比

1
np.sum(arr, axis=0) # 按列求和

稍微快些。

同理,在arr.T上,列操作比行操作会快些。

结果影响

其实写这篇博客的原因,就是我的onnx模型对于完全相同数据的tensor产生了完全不同的表现,险些三观俱碎。挣扎了几个小时后发现原来是数据的连续性在作祟。

  • 对 pyhton 中算法平台的影响
平台 影响
numpy 计算不连续的变量,结果不会受到影响
pytorch 输入不连续的tensor,结果不会受到影响
onnx 输入不连续的tensor,结果直接爆炸
  • 在 python 的 tensor 中,如果不是C连续的tensor,在执行 view 方法时会报错:
1
2
invalid argument 2: view size is not compatible with input tensor's size and stride (at least one dimension 
spans across two contiguous subspaces). Call .contiguous() before .view().
  • 在 numpy 中某些需要连续的操作在遇到不连续的变量时也会报错:
1
2
ValueError: some of the strides of a given numpy array are negative.
This is currently not supported, but will be added in future releases.

连带影响

  • 不连续的numpy转为tensor后也是不连续的
  • 不连续的tensor转为numpy后也是不连续的

修正连续性

变量可以通过重新开辟空间,将数据连续拷贝进去的方法将不连续的数据变成某种连续方式。

numpy

  • numpy 变量中连续性可以用自带的函数修正,不连续的变量通过函数 np.ascontiguousarray(arr)变为C连续,np.asfortranarray(arr)变为Fortran连续
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
import numpy as np


if __name__ == '__main__':
arr = np.arange(12).reshape(3, 2, 2)
print(arr.data.c_contiguous) # True arr C连续

tran_arr = arr.transpose(2, 0, 1)
print(tran_arr.data.contiguous) # False tran_arr不连续

c_arr = np.ascontiguousarray(tran_arr) # 变为 C 连续
print(c_arr.flags)

f_arr = np.asfortranarray(tran_arr) # 变为 Fortran 连续
print(f_arr.flags)

pass

  • 输出:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
True
False
C_CONTIGUOUS : True
F_CONTIGUOUS : False
OWNDATA : True
WRITEABLE : True
ALIGNED : True
WRITEBACKIFCOPY : False
UPDATEIFCOPY : False

C_CONTIGUOUS : False
F_CONTIGUOUS : True
OWNDATA : True
WRITEABLE : True
ALIGNED : True
WRITEBACKIFCOPY : False
UPDATEIFCOPY : False

pytorch

  • pytorch 的 tensor 在python中运行,需要C连续的变量,因此只有C连续的函数 contiguous()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
import torch
import numpy as np


if __name__ == '__main__':
arr = np.arange(12).reshape(3, 2, 2)

tran_arr = arr.transpose(2, 0, 1)
print(tran_arr.data.contiguous) # False tran_arr不连续

ten = torch.from_numpy(tran_arr)
print(ten.is_contiguous()) # False 不连续的numpy产生不连续的tensor

c_ten = ten.contiguous()
print(c_ten.is_contiguous()) # True Tensor变成连续的

c_ten_arr = c_ten.numpy()
print(c_ten_arr.flags) # tensor 的连续函数结果是变成C连续的变量

pass

  • 输出
1
2
3
4
5
6
7
8
9
10
False
False
True
C_CONTIGUOUS : True
F_CONTIGUOUS : False
OWNDATA : False
WRITEABLE : True
ALIGNED : True
WRITEBACKIFCOPY : False
UPDATEIFCOPY : False

参考资料



文章链接:
https://www.zywvvd.com/notes/study/deep-learning/numpy-tensor-contiguous/numpy-tensor-contiguous/


“觉得不错的话,给点打赏吧 ୧(๑•̀⌄•́๑)૭”

微信二维码

微信支付

支付宝二维码

支付宝支付

numpy 和 pytorch tensor 的内存连续性 contiguous
https://www.zywvvd.com/notes/study/deep-learning/numpy-tensor-contiguous/numpy-tensor-contiguous/
作者
Yiwei Zhang
发布于
2021年8月2日
许可协议