如何使用 pytorch 进行“逐个元素就地反转”？

Question

Given 是一个数组a:

a = np.arange(1, 11, dtype = 'float32')

使用 numpy，我可以做到以下几点：

np.divide(1.0, a, out = a)

导致：

array([1.        , 0.5       , 0.33333334, 0.25      , 0.2       ,
       0.16666667, 0.14285715, 0.125     , 0.11111111, 0.1       ],
      dtype=float32)

假设 a 是一个 pytorch 张量，则以下操作失败：

torch.div(1.0, a, out = a)

div的第一个参数预计是匹配长度/形状的张量。

如果我用一个数组b 替换1.0，它的长度等于a 的长度，它可以工作。缺点是我必须为b 分配内存。我还可以执行a = 1.0 / a 之类的操作，这将再次分配额外的（临时）内存。

如何有效地“就地”执行此操作（无需分配额外内存），最好是通过广播？

Answer 1

Pytorch 遵循使用_ 进行就地操作的约定。 例如

add -> add_  # in-place equivalent
div -> div_  # in-place equivalent
etc

逐个元素就地反转。

>>> a = torch.arange(1, 11, dtype=torch.float32) 
>>> a.pow_(-1) 
>>> a
>>> tensor([1.0000, 0.5000, 0.3333, 0.2500, 0.2000, 0.1667, 0.1429, 0.1250, 0.1111, 0.1000])

---

>>> a = torch.arange(1, 11, dtype=torch.float32) 
>>> a.div_(a ** a) 
>>> a
>>> tensor([1.0000, 0.5000, 0.3333, 0.2500, 0.2000, 0.1667, 0.1429, 0.1250, 0.1111, 0.1000])