PyTorch函数中的下划线后缀是什么意思？

Question

在PyTorch中，张量的许多方法有两种版本-一种带有下划线后缀，一种没有。如果我尝试一下，它们似乎会做同样的事情：

In [1]: import torch

In [2]: a = torch.tensor([2, 4, 6])

In [3]: a.add(10)
Out[3]: tensor([12, 14, 16])

In [4]: a.add_(10)
Out[4]: tensor([12, 14, 16])

之间有什么区别

• torch.add 和 torch.add_
• torch.sub 和 torch.sub_
• ...等等？

Answer 1

根据文档，以下划线结尾的方法会就地更改张量。这意味着执行该操作不会分配新的内存，这通常 会提高性能，但可能会导致PyTorch 出现问题和性能下降。

In [2]: a = torch.tensor([2, 4, 6])

张量.add() :

In [3]: b = a.add(10)

In [4]: a is b
Out[4]: False # b is a new tensor, new memory was allocated

张量.add_() :

In [3]: b = a.add_(10)

In [4]: a is b
Out[4]: True # Same object, no new memory was allocated

请注意，运算符+和+=也是两种不同的实现。+使用 创建一个新的张量.add()，同时+=使用 修改张量.add_()

In [2]: a = torch.tensor([2, 4, 6])

In [3]: id(a)
Out[3]: 140250660654104

In [4]: a += 10

In [5]: id(a)
Out[5]: 140250660654104 # Still the same object, no memory allocation was required

In [6]: a = a + 10

In [7]: id(a)
Out[7]: 140250649668272 # New object was created

Answer 2

您已经回答了自己的问题，即下划线表示PyTorch中的就地操作。但是，我想简要指出为什么就地操作会出现问题：

• 首先，在PyTorch网站上，建议在大多数情况下不要使用就地操作。除非在沉重的内存压力下工作，否则在大多数情况下，不使用就地操作会更有效率。https://pytorch.org/docs/stable/notes/autograd.html#in-place-operations-with-autograd
  

• 其次，在使用就地操作时可能会出现计算梯度的问题：

  每个张量都有一个版本计数器，每次在任何操作中被标记为脏时，该计数器都会增加。当函数保存任何张量以供向后时，也会保存其包含Tensor的版本计数器。访问后，将self.saved_tensors对其进行检查，如果该值大于保存的值，则会引发错误。这可以确保，如果您使用的是就地函数并且没有看到任何错误，则可以确保计算出的梯度是正确的。 与上述来源相同。

这是从您发布的答案中摘录并经过稍微修改的示例：

首先是就地版本：

import torch
a = torch.tensor([2, 4, 6], requires_grad=True, dtype=torch.float)
adding_tensor = torch.rand(3)
b = a.add_(adding_tensor)
c = torch.sum(b)
c.backward()
print(c.grad_fn)

导致此错误：

---------------------------------------------------------------------------
RuntimeError                              Traceback (most recent call last)
<ipython-input-27-c38b252ffe5f> in <module>
      2 a = torch.tensor([2, 4, 6], requires_grad=True, dtype=torch.float)
      3 adding_tensor = torch.rand(3)
----> 4 b = a.add_(adding_tensor)
      5 c = torch.sum(b)
      6 c.backward()

RuntimeError: a leaf Variable that requires grad has been used in an in-place operation.

其次，非就地版本：

import torch
a = torch.tensor([2, 4, 6], requires_grad=True, dtype=torch.float)
adding_tensor = torch.rand(3)
b = a.add(adding_tensor)
c = torch.sum(b)
c.backward()
print(c.grad_fn)

哪个工作得很好-输出：

<SumBackward0 object at 0x7f06b27a1da0>

因此，作为总结，我只想指出要在PyTorch中谨慎使用就地操作。