如何用pytorch进行“逐个元素就地逆运算”？

Question

给定一个数组a ：

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

使用numpy，我可以执行以下操作：

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代替pytorch张量，则以下操作失败 ：

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

div的第一个参数应该是匹配长度/形状的张量。

如果我用充满b的数组b替换1.0 ，它的长度等于a的长度，它就可以工作。 缺点是我必须为b分配内存。 我还可以执行类似a = 1.0 / a ，这将再次分配额外的（临时）内存。

如何理想地在广播中有效地“就地”执行此操作（无需分配额外的内存）？

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

逐个元素就位逆。

>>> 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])