Numpy pytorch张量跨步-如何工作

PyTorch似乎没有关于

tensor.stride（）

的文档。 有人能证实我的理解吗

我的问题有三个

Stride用于访问存储器中的元素。所以步幅大小和张量的大小是一样的。对吗

对于每个维度，对应的stride元素表示沿一维存储移动所需的时间。对吗

例如：

In [15]: x = torch.arange(1,25)

In [16]: x
Out[16]:
tensor([ 1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16, 17, 18
, 19, 20, 21, 22, 23, 24])

In [17]: a = x.view(4,3,2)

In [18]: a
Out[18]:
tensor([[[ 1,  2],
         [ 3,  4],
         [ 5,  6]],

        [[ 7,  8],
         [ 9, 10],
         [11, 12]],

        [[13, 14],
         [15, 16],
         [17, 18]],

        [[19, 20],
         [21, 22],
         [23, 24]]])

In [20]: a.stride()
Out[20]: (6, 2, 1)

这些信息如何帮助有效地执行张量运算？基本上这是显示内存布局。那么它有什么帮助呢

---

假设

tensor

与

numpy

做的相同，

strips

允许底层

c

代码以几乎相同的轻松度在一维数据缓冲区（内存）中单步执行。它可以通过一次向前移动6个元素，通过一次一次的“行”来迭代“块”，它的代码< >形状< /代码>和代码>跨步< <代码> > <代码> > x=火炬。张量（[ 1, 2, 3，4 ]）<代码> > <代码> >（<代码> > <代码> 1 < /代码>，但是如果你执行<代码> y= x[::2 ]。然后

y.stride（）

将是

2

。这里发生的基本情况是，我们避免创建

y

的副本，而是

y

是

x

的视图，即它共享相同的底层内存，只是使用不同的跨步来访问它。