• 文档 >
  • 在 C++ 中管理 Tensor 内存
快捷方式

在 C++ 中管理 Tensor 内存

作者: Anthony Shoumikhin

Tensor 是 ExecuTorch 中的基本数据结构,表示用于神经网络和其他数值计算的多维数组。在 ExecuTorch 中,Tensor 类不拥有其元数据(大小、步长、维度顺序)或数据,从而保持运行时轻量级。用户负责提供所有这些内存缓冲区,并确保元数据和数据的生命周期长于 Tensor 实例。虽然这种设计轻量且灵活,特别是对于微型嵌入式系统,但它给用户带来了沉重负担。如果您的环境需要最少的动态分配、小的二进制占用空间或有限的 C++ 标准库支持,您需要接受这种权衡并坚持使用常规的 Tensor 类型。

想象一下您正在使用 Module 接口,并且需要将 Tensor 传递给 forward() 方法。您将需要单独声明和维护至少 sizes 数组和数据,有时还有 strides,这通常会导致以下模式

#include <executorch/extension/module/module.h>

using namespace executorch::aten;
using namespace executorch::extension;

SizesType sizes[] = {2, 3};
DimOrderType dim_order[] = {0, 1};
StridesType strides[] = {3, 1};
float data[] = {1.0f, 2.0f, 3.0f, 4.0f, 5.0f, 6.0f};
TensorImpl tensor_impl(
    ScalarType::Float,
    std::size(sizes),
    sizes,
    data,
    dim_order,
    strides);
// ...
module.forward(Tensor(&tensor_impl));

您必须确保 sizesdim_orderstridesdata 保持有效。这使得代码维护变得困难且容易出错。用户一直在努力管理生命周期,许多人创建了自己的临时托管 tensor 抽象来将所有部分整合在一起,这导致了生态系统的碎片化和不一致。

引入 TensorPtr

为了缓解这些问题,ExecuTorch 提供了 TensorPtr,一个管理 tensor 数据及其动态元数据生命周期的智能指针。

有了 TensorPtr,用户不再需要单独担心元数据的生命周期。数据所有权取决于它是通过指针传递还是作为 std::vector 移动到 TensorPtr 中。所有内容都捆绑在一起并自动管理,使您能够专注于实际计算。

以下是使用方法

#include <executorch/extension/module/module.h>
#include <executorch/extension/tensor/tensor.h>

using namespace executorch::extension;

auto tensor = make_tensor_ptr(
    {2, 3},                                // sizes
    {1.0f, 2.0f, 3.0f, 4.0f, 5.0f, 6.0f}); // data
// ...
module.forward(tensor);

数据现在由 tensor 实例拥有,因为它是作为 vector 提供的。要创建一个非拥有 TensorPtr,只需通过指针传递数据即可。type 会根据数据 vector(float)自动推断。stridesdim_order 会根据 sizes 自动计算为默认值,如果未显式指定为额外参数的话。

Module::forward() 中的 EValue 直接接受 TensorPtr,确保无缝集成。EValue 现在可以通过智能指针隐式构造,指向它可以容纳的任何类型。这允许 TensorPtr 在传递给 forward() 时被隐式解引用,EValue 将持有 TensorPtr 指向的 Tensor

API 概述

TensorPtr 实际上是 std::shared_ptr<Tensor> 的别名,因此您可以轻松使用它而无需复制数据和元数据。每个 Tensor 实例可以拥有自己的数据或引用外部数据。

创建 Tensor

有几种方法可以创建 TensorPtr

创建标量 Tensor

您可以创建一个标量 tensor,即零维度的 tensor 或其中一个大小为零的 tensor。

提供单个数据值

auto tensor = make_tensor_ptr(3.14);

生成的 tensor 将包含一个类型为 double 的单个值 3.14,类型会自动推断。

提供带类型的单个数据值

auto tensor = make_tensor_ptr(42, ScalarType::Float);

现在整数 42 将被转换为 float,tensor 将包含一个类型为 float 的单个值 42

拥有来自 Vector 的数据

当您提供 sizes 和数据 vector 时,TensorPtr 会拥有数据和 sizes 的所有权。

提供数据 Vector

auto tensor = make_tensor_ptr(
    {2, 3},                                 // sizes
    {1.0f, 2.0f, 3.0f, 4.0f, 5.0f, 6.0f});  // data (float)

类型会从数据 vector 自动推断为 ScalarType::Float

提供带类型的数据 Vector

如果您提供一种类型的数据但指定了另一种标量类型,数据将被转换为给定的类型。

auto tensor = make_tensor_ptr(
    {1, 2, 3, 4, 5, 6},          // data (int)
    ScalarType::Double);         // double scalar type

在此示例中,即使数据 vector 包含整数,我们也指定标量类型为 Double。整数被转换为 double,并且新的数据 vector 由 TensorPtr 拥有。由于此示例中跳过了 sizes 参数,因此 tensor 是一个维度,其大小等于数据 vector 的长度。请注意,不允许反向转换,即从浮点类型转换为整型,因为这会丢失精度。类似地,不允许将其他类型转换为 Bool

将数据 Vector 作为 std::vector<uint8_t> 提供

您还可以提供 std::vector<uint8_t> 形式的原始数据,并指定 sizes 和标量类型。数据将根据提供的类型重新解释。

std::vector<uint8_t> data = /* raw data */;
auto tensor = make_tensor_ptr(
    {2, 3},                 // sizes
    std::move(data),        // data as uint8_t vector
    ScalarType::Int);       // int scalar type

数据 vector 必须足够大,以根据提供的 sizes 和标量类型容纳所有元素。

来自原始指针的非拥有数据

您可以创建一个引用现有数据但不拥有所有权的 TensorPtr

提供原始数据

float data[] = {1.0f, 2.0f, 3.0f, 4.0f, 5.0f, 6.0f};
auto tensor = make_tensor_ptr(
    {2, 3},              // sizes
    data,                // raw data pointer
    ScalarType::Float);  // float scalar type

TensorPtr 不拥有数据,因此您必须确保 data 保持有效。

提供带自定义删除器的原始数据

如果您希望 TensorPtr 管理数据的生命周期,您可以提供一个自定义删除器。

auto* data = new double[6]{1.0, 2.0, 3.0, 4.0, 5.0, 6.0};
auto tensor = make_tensor_ptr(
    {2, 3},                               // sizes
    data,                                 // data pointer
    ScalarType::Double,                   // double scalar type
    TensorShapeDynamism::DYNAMIC_BOUND,   // default dynamism
    [](void* ptr) { delete[] static_cast<double*>(ptr); });

TensorPtr 被销毁时(即智能指针被重置且不再有对底层 Tensor 的引用时),它将调用自定义删除器。

共享现有 Tensor

由于 TensorPtrstd::shared_ptr<Tensor>,您可以轻松创建一个共享现有 TensorTensorPtr。对共享数据所做的任何更改都将反映在所有共享同一数据的实例中。

共享现有 TensorPtr

auto tensor = make_tensor_ptr({2, 3}, {1.0f, 2.0f, 3.0f, 4.0f, 5.0f, 6.0f});
auto tensor_copy = tensor;

现在 tensortensor_copy 指向相同的数据和元数据。

查看现有 Tensor

您可以从现有 Tensor 创建一个 TensorPtr,复制其属性并引用相同的数据。

查看现有 Tensor

Tensor original_tensor = /* some existing tensor */;
auto tensor = make_tensor_ptr(original_tensor);

现在新创建的 TensorPtr 引用与原始 tensor 相同的数据,但拥有自己的元数据副本,因此它可以以不同方式解释或“查看”数据,但对数据的任何修改也将反映在原始 Tensor 中。

克隆 Tensor

要创建一个新的 TensorPtr,它拥有现有 tensor 数据的副本

Tensor original_tensor = /* some existing tensor */;
auto tensor = clone_tensor_ptr(original_tensor);

新创建的 TensorPtr 拥有自己的数据副本,因此可以独立修改和管理数据。同样,您可以创建现有 TensorPtr 的克隆。

auto original_tensor = make_tensor_ptr(/* ... */);
auto tensor = clone_tensor_ptr(original_tensor);

请注意,无论原始 TensorPtr 是否拥有数据,新创建的 TensorPtr 都将拥有数据的副本。

调整 Tensor 大小

TensorShapeDynamism 枚举指定了 tensor 形状的可变性

  • STATIC:tensor 的形状不能更改。

  • DYNAMIC_BOUND:tensor 的形状可以更改,但包含的元素数量不能超过其根据初始 sizes 创建时原本拥有的元素数量。

  • DYNAMIC:tensor 的形状可以任意更改。目前,DYNAMICDYNAMIC_BOUND 的别名。

调整 tensor 大小时,必须遵守其 dynamism 设置。只有形状设置为 DYNAMICDYNAMIC_BOUND 的 tensor 才允许调整大小,并且不能将 DYNAMIC_BOUND 的 tensor 调整为包含比最初更多元素的数量。

auto tensor = make_tensor_ptr(
    {2, 3},                      // sizes
    {1, 2, 3, 4, 5, 6},          // data
    ScalarType::Int,
    TensorShapeDynamism::DYNAMIC_BOUND);
// Initial sizes: {2, 3}
// Number of elements: 6

resize_tensor_ptr(tensor, {2, 2});
// The tensor sizes are now {2, 2}
// Number of elements is 4 < initial 6

resize_tensor_ptr(tensor, {1, 3});
// The tensor sizes are now {1, 3}
// Number of elements is 3 < initial 6

resize_tensor_ptr(tensor, {3, 2});
// The tensor sizes are now {3, 2}
// Number of elements is 6 == initial 6

resize_tensor_ptr(tensor, {6, 1});
// The tensor sizes are now {6, 1}
// Number of elements is 6 == initial 6

便捷辅助函数

ExecuTorch 提供了几个便捷辅助函数来创建 tensor。

使用 for_blobfrom_blob 创建非拥有 Tensor

这些辅助函数允许您创建不拥有数据的 tensor。

使用 from_blob()

float data[] = {1.0f, 2.0f, 3.0f};
auto tensor = from_blob(
    data,                // data pointer
    {3},                 // sizes
    ScalarType::Float);  // float scalar type

使用流畅语法和 for_blob()

double data[] = {1.0, 2.0, 3.0, 4.0, 5.0, 6.0};
auto tensor = for_blob(data, {2, 3}, ScalarType::Double)
                  .strides({3, 1})
                  .dynamism(TensorShapeDynamism::STATIC)
                  .make_tensor_ptr();

使用自定义删除器和 from_blob()

int* data = new int[3]{1, 2, 3};
auto tensor = from_blob(
    data,             // data pointer
    {3},              // sizes
    ScalarType::Int,  // int scalar type
    [](void* ptr) { delete[] static_cast<int*>(ptr); });

TensorPtr 被销毁时,它将调用自定义删除器。

创建空 Tensor

empty() 创建一个指定 sizes 的未初始化 tensor。

auto tensor = empty({2, 3});

empty_like() 创建一个与现有 TensorPtr 具有相同 sizes 的未初始化 tensor。

TensorPtr original_tensor = /* some existing tensor */;
auto tensor = empty_like(original_tensor);

empty_strided() 创建一个指定 sizes 和 strides 的未初始化 tensor。

auto tensor = empty_strided({2, 3}, {3, 1});

创建填充特定值的 Tensor

full()zeros()ones() 分别创建一个填充有提供值、零或一的 tensor。

auto tensor_full = full({2, 3}, 42.0f);
auto tensor_zeros = zeros({2, 3});
auto tensor_ones = ones({3, 4});

empty() 类似,还有额外的辅助函数 full_like()full_strided()zeros_like()zeros_strided()ones_like()ones_strided(),用于创建与现有 TensorPtr 具有相同属性或具有自定义 strides 的填充 tensor。

创建随机 Tensor

rand() 创建一个填充有 0 到 1 之间随机值的 tensor。

auto tensor_rand = rand({2, 3});

randn() 创建一个填充有来自正态分布的随机值的 tensor。

auto tensor_randn = randn({2, 3});

randint() 创建一个填充有指定 min(包含)和 max(不包含)整数之间的随机整数的 tensor。

auto tensor_randint = randint(0, 10, {2, 3});

创建标量 Tensor

除了使用单个数据值的 make_tensor_ptr() 外,您还可以使用 scalar_tensor() 创建一个标量 tensor。

auto tensor = scalar_tensor(3.14f);

请注意,scalar_tensor() 函数期望一个 Scalar 类型的值。在 ExecuTorch 中,Scalar 可以表示 boolint 或浮点类型,但不能表示像 HalfBFloat16 等类型,对于这些类型您需要使用 make_tensor_ptr() 来跳过 Scalar 类型。

关于 EValue 和生命周期管理的注意事项

Module 接口期望数据以 EValue 的形式出现,EValue 是一个变体类型,可以容纳 Tensor 或其他标量类型。当您将 TensorPtr 传递给期望 EValue 的函数时,您可以解引用 TensorPtr 以获取底层 Tensor

TensorPtr tensor = /* create a TensorPtr */
//...
module.forward(tensor);

或者甚至是一个 EValue vector 用于多个参数。

TensorPtr tensor = /* create a TensorPtr */
TensorPtr tensor2 = /* create another TensorPtr */
//...
module.forward({tensor, tensor2});

但是,请注意:EValue 不会持有 TensorPtr 中的动态数据和元数据。它仅持有一个常规的 Tensor,该 Tensor 不拥有数据或元数据,而是使用原始指针引用它们。您需要确保 TensorPtrEValue 使用期间保持有效。

这同样适用于使用诸如 set_input()set_output() 等期望 EValue 的函数时。

与 ATen 的互操作性

如果您的代码在编译时启用了预处理器标志 USE_ATEN_LIB,所有 TensorPtr API 将在底层使用 at:: API。例如,TensorPtr 变为 std::shared_ptr<at::Tensor>。这使得与 PyTorch ATen 库的集成无缝进行。

API 等效表

下表列出了 TensorPtr 创建函数与其对应的 ATen API 的对应关系

ATen

ExecuTorch

at::tensor(data, type)

make_tensor_ptr(data, type)

at::tensor(data, type).reshape(sizes)

make_tensor_ptr(sizes, data, type)

tensor.clone()

clone_tensor_ptr(tensor)

tensor.resize_(new_sizes)

resize_tensor_ptr(tensor, new_sizes)

at::scalar_tensor(value)

scalar_tensor(value)

at::from_blob(data, sizes, type)

from_blob(data, sizes, type)

at::empty(sizes)

empty(sizes)

at::empty_like(tensor)

empty_like(tensor)

at::empty_strided(sizes, strides)

empty_strided(sizes, strides)

at::full(sizes, value)

full(sizes, value)

at::full_like(tensor, value)

full_like(tensor, value)

at::full_strided(sizes, strides, value)

full_strided(sizes, strides, value)

at::zeros(sizes)

zeros(sizes)

at::zeros_like(tensor)

zeros_like(tensor)

at::zeros_strided(sizes, strides)

zeros_strided(sizes, strides)

at::ones(sizes)

ones(sizes)

at::ones_like(tensor)

ones_like(tensor)

at::ones_strided(sizes, strides)

ones_strided(sizes, strides)

at::rand(sizes)

rand(sizes)

at::rand_like(tensor)

rand_like(tensor)

at::randn(sizes)

randn(sizes)

at::randn_like(tensor)

randn_like(tensor)

at::randint(low, high, sizes)

randint(low, high, sizes)

at::randint_like(tensor, low, high)

randint_like(tensor, low, high)

最佳实践

  • 谨慎管理生命周期:尽管 TensorPtr 处理内存管理,但要确保任何非拥有的数据(例如,使用 from_blob() 时)在 tensor 使用期间保持有效。

  • 使用便捷函数:利用辅助函数来实现常见的 tensor 创建模式,以编写更简洁、更易读的代码。

  • 注意数据所有权:了解您的 tensor 是拥有自己的数据还是引用外部数据,以避免意外的副作用或内存泄漏。

  • 确保 TensorPtr 的生命周期长于 EValue:将 tensor 传递给期望 EValue 的模块时,确保 TensorPtrEValue 使用期间保持有效。

结论

ExecuTorch 中的 TensorPtr 通过将数据和动态元数据捆绑到一个智能指针中,简化了 tensor 内存管理。这种设计消除了用户管理多个数据部分的需要,并确保了更安全、更易于维护的代码。

通过提供与 PyTorch 的 ATen 库类似的接口,ExecuTorch 简化了新 API 的采用,使开发人员能够轻松过渡,没有陡峭的学习曲线。

文档

访问 PyTorch 的全面开发者文档

查看文档

教程

获取针对初学者和高级开发者的深入教程

查看教程

资源

查找开发资源并获得问题解答

查看资源