Machine learning Pyrotch重塑以修改forward（）中的批大小

我有一个形状张量，比如：

[4,10]

，其中4是批量大小，10是输入样本缓冲区的长度。现在，我知道它实际上是

[4,5+5]

，即输入样本缓冲区由两个长度为5的窗口组成，可以独立处理，最好是并行处理。我所做的是，在模型的forward（）内，我首先将张量重塑为[8,5]，在其上运行我的层，然后将其重塑为[4，-1]并返回。我希望从中得到的是，Pytorch将在每个窗口（类似于子批处理）上并行运行我的模型，有效地生成并行for循环。它运行正常，Pytorch没有抱怨什么，但我得到了奇怪的结果。在我开始调试我的模型之前，我想知道Pytorch是否可以这样工作。

嗯，它不能。原因是pytorch用于张量整形。这可以通过运行下面的小程序代码看到。 最好在PyTrk中有一个类似“重新批处理”的函数，它将处理正确的内存布局，作为并行构建的基础（前提是它甚至可以在一般情况下高效地完成内存）。

---

是的，你所描述的并没有什么荒谬之处，pytorch应该能够以这种方式工作。如果您提供一些带有输入和预期输出的代码示例，我们可以帮助您调试所有这些！请将此信息添加到您的问题（作为您已经尝试过的代码的一部分）并删除此答案（因为它不是您问题的真正答案）。干杯

import torch

conv = torch.nn.Conv1d(1,3,1)

def conv_batch(t, conv, window):
    batch = t.shape[0]
    t = t.view(-1, t.shape[1], window)
    t = conv(t)
    t = t.view(batch, t.shape[1], -1)
    return t

batch = 1
channels = 1
width = 4

window = 2

x = torch.arange(batch*channels*width)
x = x.view(batch,channels,width).float()

r1 = conv(x)
r2 = conv_batch(x, conv, window)

print(r1)
print(r2)
print(r1==r2)