點擊上方“小白學(xué)視覺”，選擇加"星標(biāo)"或“置頂”
重磅干貨，第一時間送達(dá)
本文轉(zhuǎn)自|深度學(xué)習(xí)這件小事
斯坦福大學(xué)博士生與 Facebook 人工智能研究所研究工程師 Edward Z. Yang 是 PyTorch 開源項目的核心開發(fā)者之一。他在 PyTorch 紐約聚會上做了一個有關(guān) PyTorch 內(nèi)部機(jī)制的演講，本文是該演講的長文章版本。
大家好！今天我想談?wù)?PyTorch 的內(nèi)部機(jī)制。這份演講是為用過 PyTorch并且有心為 PyTorch 做貢獻(xiàn)但卻被 PyTorch 那龐大的 C++ 代碼庫勸退的人提供的。沒必要說謊：PyTorch 代碼庫有時候確實讓人難以招架。本演講的目的是為你提供一份導(dǎo)航圖：為你講解一個「支持自動微分的張量庫」的基本概念結(jié)構(gòu)，并為你提供一些能幫你在代碼庫中尋路的工具和技巧。我預(yù)設(shè)你之前已經(jīng)寫過一些 PyTorch，但卻可能還沒有深入理解機(jī)器學(xué)習(xí)軟件庫的編寫方式。本演講分為兩部分：在第一部分中，我首先會全面介紹張量庫的各種概念。我首先會談?wù)勀銈冎狼蚁矏鄣?/span>張量數(shù)據(jù)類型，并詳細(xì)討論這種數(shù)據(jù)類型究竟能提供什么，這能讓我們更好地理解其內(nèi)部真正的實現(xiàn)方式。如果你是一位 PyTorch 高級用戶，你可能已經(jīng)熟悉其中大部分材料了。我們也會談到「擴(kuò)展點（extension points）」的三個概念、布局（layout）、設(shè)備（device）和數(shù)據(jù)類型（dtype），這能引導(dǎo)我們思考張量類的擴(kuò)展的方式。在 PyTorch 紐約聚會的現(xiàn)場演講中，我略過了有關(guān)自動梯度（autograd）的幻燈片，但我在這里會進(jìn)行一些講解。第二部分會闡述真正用 PyTorch 寫代碼時所涉及的基本細(xì)節(jié)。我會告訴你如何在 autograd 代碼中披荊斬棘、什么代碼是真正重要的以及怎樣造福他人，我還會介紹 PyTorch 為你寫核（kernel）所提供的所有炫酷工具。張量是 PyTorch 中的核心數(shù)據(jù)結(jié)構(gòu)。對于張量直觀上所表示的東西，你可能已有很好的理解：張量是一種包含某種標(biāo)量類型（比如浮點數(shù)和整型數(shù)等）的 n 維數(shù)據(jù)結(jié)構(gòu)。我們可以將張量看作是由一些數(shù)據(jù)構(gòu)成的，還有一些元數(shù)據(jù)描述了張量的大小、所包含的元素的類型（dtype）、張量所在的設(shè)備（CPU 內(nèi)存？CUDA 內(nèi)存？）另外還有一個你可能沒那么熟悉的元數(shù)據(jù)：步幅（stride）。stride 實際上是 PyTorch 最別致的特征之一，所以值得稍微多討論它一些。張量一個數(shù)學(xué)概念。但要在我們的計算機(jī)中表示它，我們必須為它們定義某種物理表示方法。最常用的表示方法是在內(nèi)存中相鄰地放置張量的每個元素（這也是術(shù)語「contiguous（鄰接）」的來源），即將每一行寫出到內(nèi)存，如上所示。在上面的案例中，我已經(jīng)指定該張量包含 32 位的整型數(shù)，這樣你可以看到每一個整型數(shù)都位于一個物理地址中，每個地址與相鄰地址相距 4 字節(jié)。為了記住張量的實際維度，我們必須將規(guī)模大小記為額外的元數(shù)據(jù)。假設(shè)我想要讀取我的邏輯表示中位置張量 [0,1] 的元素。我該如何將這個邏輯位置轉(zhuǎn)譯為物理內(nèi)存中的位置？步幅能讓我們做到這一點：要找到一個張量中任意元素的位置，我將每個索引與該維度下各自的步幅相乘，然后將它們?nèi)考拥揭黄稹Ｔ谏蠄D中，我用藍(lán)色表示第一個維度，用紅色表示第二個維度，以便你了解該步幅計算中的索引和步幅。進(jìn)行這個求和后，我得到了 2（零索引的）；實際上，數(shù)字 3 正是位于這個鄰接數(shù)組的起點以下 2 個位置。（后面我還會談到 TensorAccessor，這是一個處理索引計算的便利類（convenience class）。當(dāng)你使用 TensorAccessor 時，不會再操作原始指針，這些計算過程已經(jīng)為你隱藏了起來。）步幅是我們?yōu)?PyTorch 用戶講解方法的基本基礎(chǔ)。舉個例子，假設(shè)我想取出一個表示以上張量的第二行的張量：使用高級的索引支持，我只需寫出張量 [1, :] 就能得到這一行。重要的是：當(dāng)我這樣做時，不會創(chuàng)建一個新張量；而是會返回一個基于底層數(shù)據(jù)的不同域段（view）的張量。這意味著，如果我編輯該視角下的這些數(shù)據(jù)，它就會反映在原始的張量中。在這種情況下，了解如何做到這一點并不算太困難：3 和 4 位于鄰接的內(nèi)存中，我們只需要記錄一個說明該（邏輯）張量的數(shù)據(jù)位于頂部以下 2 個位置的偏移量（offset）。（每個張量都記錄一個偏移量，但大多數(shù)時候它為零，出現(xiàn)這種情況時我會在我的圖表中省略它。）演講時的提問：如果我取張量的一個域段，我該如何釋放底層張量的內(nèi)存？答案：你必須制作該域段的一個副本，由此斷開其與原始物理內(nèi)存的連接。你能做的其它事情實際上并不多。另外，如果你很久之前寫過 Java，取一個字符串的子字符串也有類似的問題，因為默認(rèn)不會制作副本，所以子字符串會保留（可能非常大的字符串）。很顯然，Java 7u6 將其固定了下來。
當(dāng)我們查看物理內(nèi)存時，可以看到該列的元素不是相鄰的：兩者之間有一個元素的間隙。步幅在這里就大顯神威了：我們不再將一個元素與下一個元素之間的步幅指定為 1，而是將其設(shè)定為 2，即跳兩步。（順便一提，這就是其被稱為「步幅（stride）」的原因：如果我們將索引看作是在布局上行走，步幅就指定了我們每次邁步時向前多少位置。）步幅表示實際上可以讓你表示所有類型的張量域段；如果你想了解各種不同的可能做法，請參閱 https://ezyang.github.io/stride-visualizer/index.html我們現(xiàn)在退一步看看，想想我們究竟如何實現(xiàn)這種功能（畢竟這是一個關(guān)于內(nèi)部機(jī)制的演講）。如果我們可以得到張量的域段，這就意味著我們必須解耦張量的概念（你所知道且喜愛的面向用戶的概念）以及存儲張量的數(shù)據(jù)的實際物理數(shù)據(jù)的概念（稱為「存儲（storage）」）：也許會有多個張量共享同一存儲。存儲會定義張量的 dtype 和物理大小，同時每個張量還會記錄大小、步幅和偏移量，這定義的是物理內(nèi)存的邏輯解釋。有一點需要注意：總是會存在一個張量-存儲對，即使并不真正需要存儲的「簡單」情況也是如此（比如，只是用 torch.zeros(2, 2) 劃配一個鄰接張量時）。順便一提，我們感興趣的不是這種情況，而是有一個分立的存儲概念的情況，只是將一個域段定義為有一個基張量支持的張量。這會更加復(fù)雜一些，但也有好處：鄰接張量可以實現(xiàn)遠(yuǎn)遠(yuǎn)更加直接的表示，而沒有存儲造成的間接麻煩。這樣的變化能讓 PyTorch 的內(nèi)部表示方式更接近 Numpy。
我們已經(jīng)介紹了一些張量的數(shù)據(jù)布局（有人可能會說，如果你正確地理解了數(shù)據(jù)表示，其它一切都會自然到位）。但還是有必要簡要談?wù)勅绾螌崿F(xiàn)對張量的操作。在最抽象的層面上，當(dāng)你調(diào)用 torch.mm 時，會發(fā)生兩次調(diào)度：
第一次調(diào)度基于設(shè)備類型和張量布局：比如是 CPU 張量還是 CUDA張量，是有步幅的張量還是稀疏的張量。這個調(diào)度是動態(tài)的：這是一個虛函數(shù)（virtual function）調(diào)用（這個虛函數(shù)調(diào)用究竟發(fā)生在何處是本演講后半部分的主題）。這里需要做一次調(diào)度應(yīng)該是合理的：CPU 矩陣乘法的實現(xiàn)非常不同于 CUDA 的實現(xiàn)。這里是動態(tài)調(diào)度的原因是這些核（kernel）可能位于不同的庫（比如 libcaffe2.so 或 libcaffe2_gpu.so），這樣你就別無選擇：如果你想進(jìn)入一個你沒有直接依賴的庫，你必須通過動態(tài)調(diào)度抵達(dá)那里。第二次調(diào)度是在所涉 dtype 上的調(diào)度。這個調(diào)度只是一個簡單的 switch 語句，針對的是核選擇支持的任意 dtype。這里需要調(diào)度的原因也很合理：CPU 代碼（或 CUDA 代碼）是基于 float 實現(xiàn)乘法，這不同于用于 int 的代碼。這說明你需要為每種 dtype 都使用不同的核。如果你想要理解 PyTorch 中算子的調(diào)用方式，這可能就是你頭腦中應(yīng)有的最重要的知識。后面當(dāng)我們更深入代碼時還會回到這里。因為我們已經(jīng)談過了張量，所以我還想花點時間談?wù)剰埩繑U(kuò)展。畢竟，除了密集的 CPU 浮點數(shù)張量，還有其它很多類型的張量，比如 XLA 張量、量化張量、MKL-DNN 張量；而對于一個張量庫，還有一件需要思考的事情：如何兼顧這些擴(kuò)展？我們當(dāng)前的用于擴(kuò)展的模型提供了張量的四個擴(kuò)展點。首先，有三個獨(dú)立地確定張量類型的配套參數(shù)：device（設(shè)備）：描述了實際存儲張量的物理內(nèi)存，比如在 CPU、英偉達(dá) GPU（cuda）、AMD GPU（hip）或 TPU（xla）上。設(shè)備之間各不相同的特性是有各自自己的分配器（allocator），這沒法用于其它設(shè)備。
layout（布局）：描述了對物理內(nèi)存進(jìn)行邏輯解讀的方式。最常用的布局是有步幅的張量（strided tensor），但稀疏張量的布局不同，其涉及到一對張量，一個用于索引，一個用于數(shù)據(jù)；MKL-DNN 張量的布局更加奇特，比如 blocked layout，僅用步幅不能表示它。
dtype（數(shù)據(jù)類型）：描述了張量中每個元素實際存儲的數(shù)據(jù)的類型，比如可以是浮點數(shù)、整型數(shù)或量化的整型數(shù)。
如果你想為 PyTorch 張量添加一種擴(kuò)展，你應(yīng)該思考你想要擴(kuò)展這些參數(shù)中的哪幾種。這些參數(shù)的笛卡爾積定義了你可以得到的所有可能的張量。現(xiàn)在，并非所有這些組合都有核（誰為 FPGA 上的稀疏量化張量用核?），但原則上這種組合可能有意義，因此我們至少應(yīng)該支持表達(dá)它。要為張量的功能添加「擴(kuò)展」，還有最后一種方法，即圍繞能實現(xiàn)的目標(biāo)類型的 PyTorch 張量編寫一個 wrapper（包裝）類。這可能聽起來理所當(dāng)然，但有時候人們在只需要制作一個 wrapper 類時卻跑去擴(kuò)展那三個參數(shù)。wrapper 類的一個突出優(yōu)點是開發(fā)結(jié)果可以完全不影響原來的類型（out of tree）。你何時應(yīng)該編寫張量 wrapper，而不是擴(kuò)展 PyTorch 本身？關(guān)鍵的指標(biāo)是你是否需要將這個張量傳遞通過 autograd（自動梯度）反向通過過程。舉個例子，這個指標(biāo)告訴我們稀疏張量應(yīng)該是一種真正的張量擴(kuò)展，而不只是一種包含一個索引和值張量的 Python 對象：當(dāng)在涉及嵌入的網(wǎng)絡(luò)上執(zhí)行優(yōu)化時，我們想要嵌入生成稀疏的梯度。我們對擴(kuò)展的理念也會影響張量本身的數(shù)據(jù)布局。對于我們的張量結(jié)構(gòu)，我們真正想要的一件事物是固定的布局：我們不想要基本操作（這個說法很常見），比如「一個張量的大小是多少？」來請求虛調(diào)度。所以當(dāng)你查看一個張量的實際布局時（定義為 TensorImpl 結(jié)構(gòu)），會看到所有字段的一個公共前綴——我們認(rèn)為所有類似「張量」的東西都會有；還有一些字段僅真正適用于有步幅的張量，但它們也很重要，所以我們將其保留在主結(jié)構(gòu)中；然后可以在每個張量的基礎(chǔ)上完成有自定義字段的后綴。比如稀疏張量可將其索引和值存儲在這個后綴中。我已經(jīng)說明了張量，但如果 PyTorch 僅有這點把戲，這就只不過是 Numpy 的克隆罷了。PyTorch 的顯著特性是其在最初發(fā)布時就已提供對張量的自動微分（現(xiàn)在我們還有 TorchScript 等炫酷功能，但那時候就只有這個！）自動微分是做啥？這是負(fù)責(zé)運(yùn)行神經(jīng)網(wǎng)絡(luò)的機(jī)制：……以及填充實際計算你的網(wǎng)絡(luò)的梯度時所缺少的代碼：
花點時間看看這幅圖。其中有很多東西需要解讀，我們來看看：首先將你的目光投向紅色和藍(lán)色的變量。PyTorch 實現(xiàn)了反向模式自動微分，這意味著我們可以「反向」走過前向計算來有效地計算梯度。查看變量名就能看到這一點：在紅色部分的底部，我們計算的是損失（loss）；然后在這個程序的藍(lán)色部分，我們所做的第一件事是計算 grad_loss。loss 根據(jù) next_h2 計算，這樣我們可以計算出 grad_next_h2。從技術(shù)上講，我們加了 grad_ 的變量其實并不是梯度，它們實際上左乘了一個向量的雅可比矩陣，但在 PyTorch 中，我們就稱之為 grad，基本上所有人都知道這是什么意思。
如果代碼的結(jié)構(gòu)保持一樣，而行為沒有保持一樣：來自前向的每一行都被替換為一個不同的計算，其代表了前向運(yùn)算的導(dǎo)數(shù)。舉個例子，tanh 運(yùn)算被轉(zhuǎn)譯成了 tanh_backward 運(yùn)算（這兩行用圖左邊一條灰線連接）。前向和反向運(yùn)算的輸入和輸出交換：如果前向運(yùn)算得到 next_h2，反向運(yùn)算就以 grad_next_h2 為輸入。
autograd 的意義就在于執(zhí)行這幅圖所描述的計算，但卻不用真正生成這個源。PyTorch autograd 并不執(zhí)行源到源的變換（盡管 PyTorch JIT 確實知道如何執(zhí)行符號微分（symbolic differentiation））。要做到這一點，我們需要在張量上執(zhí)行運(yùn)算時存儲更多元數(shù)據(jù)。讓我們調(diào)整一下我們對張量數(shù)據(jù)結(jié)構(gòu)的圖：現(xiàn)在不只是一個指向存儲的張量，我們還有一個包裝這個張量的變量，而且也存儲更多信息（AutogradMeta），這是用戶在自己的 PyTorch 腳本中調(diào)用 loss.backward() 執(zhí)行 autograd 時所需的。這張幻燈片的內(nèi)容在不久的將來就會過時。Will Feng 在簡單融合了 PyTorch 的前端端口之后，正在推動 C++ 中變量和張量的融合：https://github.com/pytorch/pytorch/issues/13638。我們也必須更新上面關(guān)于調(diào)度的圖：在我們調(diào)度到 CPU 或 CUDA 實現(xiàn)之前，還有另一個對變量的調(diào)度，其負(fù)責(zé)打開（unwrap）變量，調(diào)用底層實現(xiàn)（綠色），然后再重新將結(jié)果包裝進(jìn)變量并為反向過程記錄必需的 autograd 元數(shù)據(jù)。某些實現(xiàn)不會 unwrap；它們只是調(diào)用其它變量實現(xiàn)。所以你可能要在變量宇宙中花些時間。但是，一旦你 unwrap 并進(jìn)入了非變量張量宇宙，你就到達(dá)終點了；你再也不用退回變量（除非從你的函數(shù)返回）。在我的紐約聚會演講中，我跳過了以下七頁幻燈片。對它們的文本介紹還要等一段時間。PyTorch 有大量文件夾，在 CONTRIBUTING.md 文檔中有對它們的非常詳細(xì)的描述，但實際上你只需知曉 4 個目錄：首先，torch/ 包含你最熟悉的東西：你導(dǎo)入和使用的實際的 Python 模塊。這些東西是 Python 代碼而且易于操作（只需要進(jìn)行修改然后查看結(jié)果即可）。但是，如果太過深入……
torch/csrc/：實現(xiàn)了你可能稱為 PyTorch 前端的 C++ 代碼。用更描述性的術(shù)語講，它實現(xiàn)了在 Python 和 C++ 間轉(zhuǎn)換的綁定代碼（binding code）；另外還有一些相當(dāng)重要的 PyTorch 部分，比如 autograd 引擎和 JIT 編譯器。它也包含 C++ 前端代碼。
aten/：這是「A Tensor Library」的縮寫（由 Zachary DeVito 命名），是一個實現(xiàn)張量運(yùn)算的 C++ 庫。如果你檢查某些核代碼所處的位置，很可能就在 ATen。ATen 本身就分為兩個算子區(qū)域：「原生」算子（算子的現(xiàn)代的 C++ 實現(xiàn)）和「傳統(tǒng)」算子（TH、THC、THNN、THCUNN），這些是遺留的 C 實現(xiàn)。傳統(tǒng)的算子是其中糟糕的部分；如果可以，請勿在上面耗費(fèi)太多時間。
c10/：這是「Caffe2」和「A"Ten"」的雙關(guān)語，包含 PyTorch 的核心抽象，包括張量和存儲數(shù)據(jù)結(jié)構(gòu)的實際實現(xiàn)。
找代碼需要看很多地方；我們應(yīng)該簡化目錄結(jié)構(gòu)，就是這樣。如果你想研究算子，你應(yīng)該在 aten 上花時間。當(dāng)你調(diào)用一個函數(shù)時，比如 torch.add，會發(fā)生什么？如果你記得我們的有關(guān)調(diào)度的討論，你腦中應(yīng)該已有了這些基礎(chǔ)：我們必須從 Python 國度轉(zhuǎn)換到 C++ 國度（Python 參數(shù)解析）。
我們處理變量調(diào)度（VariableType—Type，順便一提，和編程語言類型并無特別關(guān)聯(lián)，只是一個用于執(zhí)行調(diào)度的小工具）。
我們處理設(shè)備類型/布局調(diào)度（Type）。
我們有實際的核，這要么是一個現(xiàn)代的原生函數(shù)，要么是傳統(tǒng)的 TH 函數(shù)。
其中每一步都具體對應(yīng)于一些代碼。讓我們開路穿過這片叢林。我們在 C++ 代碼中的起始著陸點是一個 Python 函數(shù)的 C 實現(xiàn)，我們已經(jīng)在 Python 那邊見過它，像是 torch._C.VariableFunctions.add。THPVariable_add 就是這樣一個實現(xiàn)。對于這些代碼，有一點很重要：這些代碼是自動生成的。如果你在 GitHub 庫中搜索，你沒法找到它們，因為你必須實際 build PyTorch 才能看到它們。另外一點也很重要：你不需要真正深入理解這些代碼是在做什么，你應(yīng)該快速瀏覽它，知道它的功能。我在上面用藍(lán)色標(biāo)注了最重要的部分：你可以看到這里使用了一個 PythonArgParser 類來從 Python args 和 kwargs 取出 C++ 對象；然后我們調(diào)用一個 dispatch_add 函數(shù)（紅色內(nèi)聯(lián)）；這會釋放全局解釋器鎖，然后調(diào)用在 C++ 張量自身上的一個普通的舊方法。在其回來的路上，我們將返回的 Tensor 重新包裝進(jìn) PyObject。（這里幻燈片中有個錯誤：我應(yīng)該講解變量調(diào)度代碼。我這里還沒有修復(fù)。某些神奇的事發(fā)生了，于是……）當(dāng)我們在 Tensor 類上調(diào)用 add 方法時，還沒有虛調(diào)度發(fā)生。相反，我有一個內(nèi)聯(lián)方法，其調(diào)用了一個內(nèi)聯(lián)方法，其會在「Type」對象上調(diào)用一個虛方法。這個方法是真正的虛方法（這就是我說 Type 只是一個讓你實現(xiàn)動態(tài)調(diào)度的「小工具」的原因）。在這個特定案例中，這個虛調(diào)用會調(diào)度到在一個名為 TypeDefault 的類上的 add 的實現(xiàn)。這剛好是因為我們有一個對所有設(shè)備類型（CPU 和 CUDA）都一樣的 add 的實現(xiàn)；如果我們剛好有不同的實現(xiàn)，我們可能最終會得到 CPUFloatType::add 這樣的結(jié)果。正是這種虛方法的實現(xiàn)能讓我們最終得到實際的核代碼。也希望這張幻燈片很快過時；Roy Li 正在研究使用另一種機(jī)制替代 Type 調(diào)度，這能讓我們更好地在移動端上支持 PyTorch。值得再次強(qiáng)調(diào)，一直到我們到達(dá)核，所有這些代碼都是自動生成的。道路蜿蜒曲折，一旦你能基本上把握方向了，我建議你直接跳到核部分。PyTorch 為有望編寫核的人提供了大量有用工具。在這一節(jié)我們會了解其中一些。但首先，編寫核需要什么？我們一般將 PyTorch 中的核看作由以下部分組成：首先有一些我們要寫的有關(guān)核的元數(shù)據(jù)，這能助力代碼生成并讓你獲取所有與 Python 的捆綁包，同時無需寫任何一行代碼。
一旦你到達(dá)了核，你就經(jīng)過了設(shè)備類型/布局調(diào)度。你首先需要寫的是錯誤檢查，以確保輸入的張量有正確的維度。（錯誤檢查真正很重要！不要吝惜它！）
接下來，我們一般必須分配我們將要寫入輸出的結(jié)果張量。
該到寫核的時候了。現(xiàn)在你應(yīng)該做第二次 dtype 調(diào)度，以跳至其所操作的每個 dtype 特定的核。（你不應(yīng)該過早做這件事，因為那樣的話你就會毫無用處地復(fù)制在任何情況下看起來都一樣的代碼。）
大多數(shù)高性能核都需要某種形式的并行化，這樣就能利用多 CPU 系統(tǒng)了。（CUDA 核是「隱式」并行化的，因為它們的編程模型構(gòu)建于大規(guī)模并行化之上。）
最后，你需要讀取數(shù)據(jù)并執(zhí)行你想做的計算！
在后面的幻燈片中，我將介紹 PyTorch 中能幫你實現(xiàn)這些步驟的工具。要充分利用 PyTorch 的代碼生成能力，你需要為你的算子寫一個模式（schema）。這個模式能提供你的函數(shù)的 mypy 風(fēng)格類型，并控制是否為 Tensor 上的方法或函數(shù)生成捆綁包。你還可以告訴模式針對給定的設(shè)備-布局組合，應(yīng)該調(diào)用你的算子的哪種實現(xiàn)。有關(guān)這種格式的更多信息，請參閱：https://github.com/pytorch/pytorch/blob/master/aten/src/ATen/native/README.md你可能也需要為你在 derivatives.yaml 中的操作定義一個導(dǎo)數(shù)。錯誤檢查可以在低層 API 完成，也能通過高層 API 實現(xiàn)。低層 API 只是一個宏 TORCH_CHECK，其接收的是一個布爾值，然后還有任意數(shù)量的參數(shù)構(gòu)成錯誤字符串（error string）以便得出結(jié)論看該布爾值是否為真。這個宏有個很好的地方：你可以將字符串與非字符串?dāng)?shù)據(jù)混合起來；每一項都使用它們的 operator<< 實現(xiàn)進(jìn)行格式化，PyTorch 中大多數(shù)重要的數(shù)據(jù)類型都有 operator<< 實現(xiàn)。高層 API 能讓你免于反復(fù)編寫重復(fù)的錯誤消息。其工作方法是；你首先將每個張量包裝為 TensorArg，這包含有關(guān)張量來處的信息（比如其參數(shù)名稱）。然后它提供了一些預(yù)先裝好的用于檢查多種屬性的函數(shù)；比如 checkDim() 測試的是張量的維度是否是一個固定數(shù)值。如果不是，該函數(shù)就基于 TensorArg 元數(shù)據(jù)提供一個用戶友好的錯誤消息。在用 PyTorch 寫算子時，有一點很重要：你往往要注冊三個算子：abs_out（其操作的是一個預(yù)分配的輸出，其實現(xiàn)了 out= keyword 參數(shù)）、abs_（其操作的是 inplace）、abs（這只是一個算子的普通的舊功能版本）。大部分時間，abs_out 是真正的主力，abs 和 abs_ 只是圍繞 abs_out 的薄弱 wrapper；但有時候也可為每個案例編寫專門的實現(xiàn)。要執(zhí)行 dtype 調(diào)度，你應(yīng)該使用 AT_DISPATCH_ALL_TYPES 宏。這會獲取你想要進(jìn)行調(diào)度操作的張量的 dtype，并還會為可從該宏調(diào)度的每個 dtype 指定一個 lambda。通常而言，這個 lambda 只是調(diào)用一個模板輔助函數(shù)。
這個宏不只是「執(zhí)行調(diào)度」，它也會決定你的核將支持的 dtype。這樣，這個宏實際上就有相當(dāng)多一些版本，這能讓你選取不同的 dtype 子集以生成特定結(jié)果。大多數(shù)時候，你只需要 AT_DISPATCH_ALL_TYPES，但也要關(guān)注你可能需要調(diào)度其它更多類型的情況。在 CPU 上，你通常需要并行化你的代碼。過去，這通常是通過直接在你的代碼中添加 OpenMP pragma 來實現(xiàn)。某些時候，你必須真正訪問數(shù)據(jù)。PyTorch 為此提供了相當(dāng)多一些選擇。如果你只想獲取某個特定位置的值，你應(yīng)該使用 TensorAccessor。張量存取器就像是一個張量，但它將張量的維度和 dtype 硬編碼為了模板參數(shù)。當(dāng)你檢索一個存取器時，比如 x.accessor
();，我們會做一次運(yùn)行時間測試以確保張量確實是這種格式；但那之后，每次存取都不會被檢查。張量存取器能正確地處理步幅，因此你最好使用它們，而不是原始的指針訪問（不幸的是，很多傳統(tǒng)的核是這樣做的）。另外還有 PackedTensorAccessor，這特別適用于通過 CUDA launch 發(fā)送存取器，這樣你就能從你的 CUDA 核內(nèi)部獲取存取器。（一個值得一提的問題：TensorAccessor 默認(rèn)是 64 位索引，這比 CUDA 中的 32 位索引要慢得多！）
如果你在用很常規(guī)的元素存取編寫某種算子，比如逐點運(yùn)算，那么使用遠(yuǎn)遠(yuǎn)更高級的抽象要好得多，比如 TensorIterator。這個輔助類能為你自動處理廣播和類型提升（type promotion），相當(dāng)好用。
要在 CPU 上獲得真正的速度，你可能需要使用向量化的 CPU 指令編寫你的核。我們也有用于這方面的輔助函數(shù)！Vec256 類表示一種標(biāo)量向量，并提供了一些能在它們上一次性執(zhí)行向量化運(yùn)算的方法。然后 binary_kernel_vec 等輔助函數(shù)能讓你輕松地運(yùn)行向量化運(yùn)算，然后結(jié)束那些沒法用普通的舊指令很好地轉(zhuǎn)換成向量指令的東西。這里的基礎(chǔ)設(shè)施還能在不同指令集下多次編譯你的核，然后在運(yùn)行時間測試你的 CPU 支持什么指令，再在這些情況中使用最佳的核。
PyTorch 中大量核都仍然是用傳統(tǒng)的 TH 風(fēng)格編寫的。（順便一提，TH 代表 TorcH。這是個很好的縮寫詞，但很不幸被污染了；如果你看到名稱中有 TH，可認(rèn)為它是傳統(tǒng)的。）傳統(tǒng) TH 風(fēng)格是什么意思呢？它是以 C 風(fēng)格書寫的，沒有（或很少）使用 C++。
其 refcounted 是人工的（使用了對 THTensor_free 的人工調(diào)用以降低你使用張量結(jié)束時的 refcounts）。
其位于 generic/ 目錄，這意味著我們實際上要編譯這個文件很多次，但要使用不同的 #define scalar_t
這種代碼相當(dāng)瘋狂，而且我們討厭回顧它，所以請不要添加它。如果你想寫代碼但對核編寫了解不多，你能做的一件有用的事情：將某些 TH 函數(shù)移植到 ATen。最后我想談?wù)勗?PyTorch 上的工作效率。如果 PyTorch 那龐大的 C++ 代碼庫是阻攔人們?yōu)?PyTorch 做貢獻(xiàn)的第一只攔路虎，那么你的工作流程的效率就是第二只。如果你想用 Python 習(xí)慣開發(fā) C++，那可能會很艱辛：重新編譯 PyTorch 需要大量時間，你也需要大量時間才能知道你的修改是否有效。如何高效工作本身可能就值得做一場演講，但這頁幻燈片總結(jié)了一些我曾見過某些人抱怨的最常見的反模式：「開發(fā) PyTorch 很困難。」如果你編輯一個 header，尤其是被許多源文件包含的 header（尤其當(dāng)被 CUDA 文件包含時），可以預(yù)見會有很長的重新 build 時間。盡量只編輯 cpp 文件，編輯 header 要審慎！
我們的 CI 是一種非常好的零設(shè)置的測試修改是否有效的方法。但在獲得返回信號之前你可能需要等上一兩個小時。如果你在進(jìn)行一種將需要大量實驗的改變，那就花點時間設(shè)置一個本地開發(fā)環(huán)境。類似地，如果你在特定的 CI 配置上遇到了困難的 debug 問題，就在本地設(shè)置它。你可以將 Docker 鏡像下載到本地并運(yùn)行：https://github.com/pytorch/ossci-job-dsl
貢獻(xiàn)指南解釋了如何設(shè)置 ccache：https://github.com/pytorch/pytorch/blob/master/CONTRIBUTING.md#use-ccache ；強(qiáng)烈建議這個，因為這可以讓你在編輯 header 時幸運(yùn)地避免大量重新編譯。當(dāng)我們在不應(yīng)該重新編譯文件時重新編譯時，這也能幫你覆蓋我們的 build 系統(tǒng)的漏洞。
最后，我們會有大量 C++ 代碼。如果你是在一臺有 CPU 和 RAM 的強(qiáng)大服務(wù)器上 build，那么會有很愉快的體驗。特別要說明，我不建議在筆記本電腦上執(zhí)行 CUDA build。build CUDA 非常非常慢，而筆記本電腦往往性能不足，不足以快速完成。
這就是我們旋風(fēng)一般的 PyTorch 內(nèi)核之旅了！其中省略了很多很多東西；但希望這里的描述和解釋至少能幫你消化其代碼庫中相當(dāng)大一部分。接下來該做什么？你能做出怎樣的貢獻(xiàn)？我們的問題跟蹤器是個開始的好地方：https://github.com/pytorch/pytorch/issues。從今年開始，我們一直在分類鑒別問題；標(biāo)注有「triaged」的問題表示至少有一個 PyTorch 開發(fā)者研究過它并對該問題進(jìn)行了初步評估。你可以使用這些標(biāo)簽找到我們認(rèn)為哪些問題是高優(yōu)先級的或查看針對特定模塊（如 autograd）的問題，也能找到我們認(rèn)為是小問題的問題。（警告：我們有時是錯的！）即使你并不想馬上就開始寫代碼，也仍有很多其它有用的工作值得去做，比如改善文檔（我很喜歡合并文檔 PR，它們都很贊）、幫助我們重現(xiàn)來自其他用戶的 bug 報告以及幫助我們討論問題跟蹤器上的 RFC。沒有我們的開源貢獻(xiàn)者，PyTorch 不會走到今天；我們希望你也能加入我們！原文地址：http://blog.ezyang.com/2019/05/pytorch-internals/
下載1：OpenCV-Contrib擴(kuò)展模塊中文版教程
在「小白學(xué)視覺」公眾號后臺回復(fù)：擴(kuò)展模塊中文教程，即可下載全網(wǎng)第一份OpenCV擴(kuò)展模塊教程中文版，涵蓋擴(kuò)展模塊安裝、SFM算法、立體視覺、目標(biāo)跟蹤、生物視覺、超分辨率處理等二十多章內(nèi)容。下載2：Python視覺實戰(zhàn)項目52講在「小白學(xué)視覺」公眾號后臺回復(fù)：Python視覺實戰(zhàn)項目，即可下載包括圖像分割、口罩檢測、車道線檢測、車輛計數(shù)、添加眼線、車牌識別、字符識別、情緒檢測、文本內(nèi)容提取、面部識別等31個視覺實戰(zhàn)項目，助力快速學(xué)校計算機(jī)視覺。在「小白學(xué)視覺」公眾號后臺回復(fù)：OpenCV實戰(zhàn)項目20講，即可下載含有20個基于OpenCV實現(xiàn)20個實戰(zhàn)項目，實現(xiàn)OpenCV學(xué)習(xí)進(jìn)階。交流群
歡迎加入公眾號讀者群一起和同行交流，目前有SLAM、三維視覺、傳感器、自動駕駛、計算攝影、檢測、分割、識別、醫(yī)學(xué)影像、GAN、算法競賽等微信群（以后會逐漸細(xì)分），請掃描下面微信號加群，備注：”昵稱+學(xué)校/公司+研究方向“，例如：”張三 + 上海交大 + 視覺SLAM“。請按照格式備注，否則不予通過。添加成功后會根據(jù)研究方向邀請進(jìn)入相關(guān)微信群。請勿在群內(nèi)發(fā)送廣告，否則會請出群，謝謝理解~
