Метод is_contiguous

Метод is_contiguous проверяет, является ли тензор непрерывным в памяти. Непрерывность означает, что элементы тензора хранятся в оперативной памяти подряд без промежутков, в порядке, соответствующем его размерности. Это свойство влияет на производительность многих операций: например, view требует непрерывного тензора, а операции типа transpose или permute могут нарушать непрерывность. Метод возвращает логическое значение True или False.

Синтаксис

t.is_contiguous()

Метод не принимает аргументов.

Пример

Давайте создадим обычный тензор и проверим его непрерывность:

import torch

t = torch.tensor([1, 2, 3, 4, 5])
print(t.is_contiguous())

Результат выполнения кода:

True

Тензор, созданный напрямую из списка, всегда является непрерывным.

Пример

Теперь создадим двумерный тензор и применим к нему операцию transpose, которая нарушает непрерывность:

import torch

t = torch.tensor([
	[1, 2, 3],
	[4, 5, 6],
])
t_transposed = t.transpose(0, 1)
print(t_transposed.is_contiguous())

Результат выполнения кода:

False

После транспонирования тензор становится разреженным в памяти, и метод возвращает False.

Пример

Метод is_contiguous часто используется перед вызовом view, так как view требует непрерывного тензора:

import torch

t = torch.tensor([
	[1, 2, 3],
	[4, 5, 6],
])
t_transposed = t.transpose(0, 1)

if t_transposed.is_contiguous():
	t_reshaped = t_transposed.view(-1)
else:
	t_contiguous = t_transposed.contiguous()
	t_reshaped = t_contiguous.view(-1)

print(t_reshaped)

Результат выполнения кода:

tensor([1, 4, 2, 5, 3, 6])

Если бы мы попытались применить view к t_transposed напрямую, получили бы ошибку. Метод is_contiguous помогает безопасно обработать эту ситуацию.

Пример

Рассмотрим, как метод contiguous делает тензор непрерывным:

import torch

t = torch.tensor([
	[1, 2, 3],
	[4, 5, 6],
])
t_transposed = t.transpose(0, 1)
print("После transpose:", t_transposed.is_contiguous())

t_contiguous = t_transposed.contiguous()
print("После contiguous:", t_contiguous.is_contiguous())

Результат выполнения кода:

После transpose: False
После contiguous: True

Метод contiguous создает новую копию тензора в непрерывном формате памяти.

Пример

Метод is_contiguous также работает с многомерными тензорами. Рассмотрим пример с permute:

import torch

t = torch.randn(2, 3, 4)
print("Исходный:", t.is_contiguous())

t_permuted = t.permute(2, 0, 1)
print("После permute:", t_permuted.is_contiguous())

Результат выполнения кода:

Исходный: True
После permute: False

Перестановка размерностей также нарушает непрерывность тензора.

Смотрите также

метод contiguous,
который создает непрерывную копию тензора
метод view,
который изменяет форму тензора и требует непрерывности
метод transpose,
который меняет местами две размерности и нарушает непрерывность
метод permute,
который переставляет размерности и нарушает непрерывность