本文最后更新于：2023年8月10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

而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arr是C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 slice、transpose、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.contiguous 、data.c_contiguous、 data.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

Deep_Learning
#Deep_Learning
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