Início / coding / Perguntas / 79583142
Accepted
DJDuque
Asked: 2025-04-20 15:44:45 +0800 CST

Transmitindo um tensor [B, 1] para aplicar uma mudança a um canal específico no PyTorch

  • 772

Eu tenho um tensor pde forma (B, 3, N)no PyTorch:

# 2 batches, 3 channels (x, y, z), 5 points
p = torch.rand(2, 3, 5, requires_grad=True)
"""
p: tensor([[[0.8365, 0.0505, 0.4208, 0.7465, 0.6843],
         [0.9922, 0.2684, 0.6898, 0.3983, 0.4227],
         [0.3188, 0.2471, 0.9552, 0.5181, 0.6877]],

        [[0.1079, 0.7694, 0.2194, 0.7801, 0.8043],
         [0.8554, 0.3505, 0.4622, 0.0339, 0.7909],
         [0.5806, 0.7593, 0.0193, 0.5191, 0.1589]]], requires_grad=True)
"""

E depois outro z_shiftde formato [B, 1]:

z_shift = torch.tensor([[1.0], [10.0]], requires_grad=True)
"""
z_shift: tensor([[1.],
        [10.]], requires_grad=True)
"""

Quero aplicar o deslocamento z apropriado de todos os pontos em cada lote, deixando x e y inalterados:

"""
p: tensor([[[0.8365, 0.0505, 0.4208, 0.7465, 0.6843],
         [0.9922, 0.2684, 0.6898, 0.3983, 0.4227],
         [1.3188, 1.2471, 1.9552, 1.5181, 1.6877]],

        [[0.1079, 0.7694, 0.2194, 0.7801, 0.8043],
         [0.8554, 0.3505, 0.4622, 0.0339, 0.7909],
         [10.5806, 10.7593, 10.0193, 10.5191, 10.1589]]])
"""

Consegui fazer assim:

p[:, 2, :] += z_shift

para o caso em que requires_grad=False, mas isso falha dentro do forwardmeu nn.Module(que eu presumo ser equivalente a requires_grad=True) com:

RuntimeError: a view of a leaf Variable that requires grad is being used in an in-place operation.
python

1 respostas

  1. Best Answer

    No PyTorch, tensores criados diretamente pelos usuários são chamados de tensores-folha , e suas visualizações compartilham o mesmo armazenamento subjacente. A execução de atribuições no local em uma visualização pode modificar o armazenamento do tensor original no grafo computacional , levando a um comportamento indefinido. Portanto, a atribuição direta de valores às visualizações deve ser evitada.

    Para alcançar isso com segurança, substitua as operações no local por uma abordagem fora do local. Por exemplo:

    p_shifted = torch.stack([
    p[:, 0, :],
    p[:, 1, :],
    p[:, 2, :] + z_shift,
], dim=1)

    Isso constrói um novo tensor torch.stackem vez de modificar o armazenamento original no local, garantindo a integridade do gráfico computacional ao mesmo tempo em que cumpre a funcionalidade pretendida.

    • 2

relate perguntas