web-dev-qa-db-ja.com

PyTorch einsumを理解する

einsum がNumPyでどのように機能するかはよく知っています。同様の機能がPyTorchによって提供されます： torch.einsum（） 。機能またはパフォーマンスの点で、類似点と相違点は何ですか？ PyTorchのドキュメントで入手できる情報はかなり乏しく、これに関する洞察はありません。

pythonnumpypytorchnumpy-einsum
8
kmario23

アインサムの説明はトーチのドキュメントでは不十分なので、この投稿をドキュメント化して比較し、 torch.einsum() が numpy.einsum() 。

違い：

  • NumPyでは "subscript string"に大文字と小文字の両方[a-zA-Z]を使用できますが、PyTorchでは小文字の[a-z]のみを使用できます。

  • NumPyはnd-arrays、プレーンPythonリスト（またはタプル）、リストのタプル（またはタプルのタプル、タプルのリスト、タプルのリスト））またはPyTorchテンソルをoperandsとして受け入れます（つまり入力）。これはoperandsがarray_likeでなければならないためであり、厳密にはNumPy nd-arraysではありません。逆に、PyTorchはオペランド（つまり入力）は厳密にPyTorchテンソルです。プレーンなPythonリスト/タプル（またはその組み合わせ）またはNumPyのいずれかを渡すと、TypeErrorがスローされますnd-arrays。

  • NumPyは、nd-arraysに加えて、多くのキーワード引数（optimizeなど）をサポートしていますが、PyTorchはそのような柔軟性をまだ提供していません。

PyTorchとNumPyの両方でのいくつかの例の実装は次のとおりです。

# input tensors to work with

In [16]: vec
Out[16]: tensor([0, 1, 2, 3])

In [17]: aten
Out[17]: 
tensor([[11, 12, 13, 14],
        [21, 22, 23, 24],
        [31, 32, 33, 34],
        [41, 42, 43, 44]])

In [18]: bten
Out[18]: 
tensor([[1, 1, 1, 1],
        [2, 2, 2, 2],
        [3, 3, 3, 3],
        [4, 4, 4, 4]])

1）行列の乗算
PyTorch：torch.matmul(aten, bten); aten.mm(bten)
NumPy：np.einsum("ij, jk -> ik", arr1, arr2)

In [19]: torch.einsum('ij, jk -> ik', aten, bten)
Out[19]: 
tensor([[130, 130, 130, 130],
        [230, 230, 230, 230],
        [330, 330, 330, 330],
        [430, 430, 430, 430]])

2）main-diagonalに沿って要素を抽出します
PyTorch：torch.diag(aten)
NumPy：np.einsum("ii -> i", arr)

In [28]: torch.einsum('ii -> i', aten)
Out[28]: tensor([11, 22, 33, 44])

3）アダマール積（つまり、2つのテンソルの要素ごとの積）
PyTorch：aten * bten
NumPy：np.einsum("ij, ij -> ij", arr1, arr2)

In [34]: torch.einsum('ij, ij -> ij', aten, bten)
Out[34]: 
tensor([[ 11,  12,  13,  14],
        [ 42,  44,  46,  48],
        [ 93,  96,  99, 102],
        [164, 168, 172, 176]])

4）要素ごとの二乗
PyTorch：aten ** 2
NumPy：np.einsum("ij, ij -> ij", arr, arr)

In [37]: torch.einsum('ij, ij -> ij', aten, aten)
Out[37]: 
tensor([[ 121,  144,  169,  196],
        [ 441,  484,  529,  576],
        [ 961, 1024, 1089, 1156],
        [1681, 1764, 1849, 1936]])

一般：要素単位のnthべき乗は、添え字文字列とテンソルn回。たとえば、テンソルの要素ごとの4乗の計算は、次を使用して実行できます。

# NumPy: np.einsum('ij, ij, ij, ij -> ij', arr, arr, arr, arr)
In [38]: torch.einsum('ij, ij, ij, ij -> ij', aten, aten, aten, aten)
Out[38]: 
tensor([[  14641,   20736,   28561,   38416],
        [ 194481,  234256,  279841,  331776],
        [ 923521, 1048576, 1185921, 1336336],
        [2825761, 3111696, 3418801, 3748096]])

5）トレース（つまり、主対角要素の合計）
PyTorch：torch.trace(aten)
NumPy einsum：np.einsum("ii -> ", arr)

In [44]: torch.einsum('ii -> ', aten)
Out[44]: tensor(110)

6）行列の転置
PyTorch：torch.transpose(aten, 1, 0)
NumPy einsum：np.einsum("ij -> ji", arr)

In [58]: torch.einsum('ij -> ji', aten)
Out[58]: 
tensor([[11, 21, 31, 41],
        [12, 22, 32, 42],
        [13, 23, 33, 43],
        [14, 24, 34, 44]])

7）外積（ベクトルの）
PyTorch：torch.ger(vec, vec)
NumPy einsum：np.einsum("i, j -> ij", vec, vec)

In [73]: torch.einsum('i, j -> ij', vec, vec)
Out[73]: 
tensor([[0, 0, 0, 0],
        [0, 1, 2, 3],
        [0, 2, 4, 6],
        [0, 3, 6, 9]])

8）（ベクトルの）内積PyTorch：torch.dot(vec1, vec2)
NumPy einsum：np.einsum("i, i -> ", vec1, vec2)

In [76]: torch.einsum('i, i -> ', vec, vec)
Out[76]: tensor(14)

9）軸0に沿った合計
PyTorch：torch.sum(aten, 0)
NumPy einsum：np.einsum("ij -> j", arr)

In [85]: torch.einsum('ij -> j', aten)
Out[85]: tensor([104, 108, 112, 116])

10）軸1に沿った合計
PyTorch：torch.sum(aten, 1)
NumPy einsum：np.einsum("ij -> i", arr)

In [86]: torch.einsum('ij -> i', aten)
Out[86]: tensor([ 50,  90, 130, 170])

11）バッチ行列乗算
PyTorch：torch.bmm(batch_tensor_1, batch_tensor_2)
NumPy：np.einsum("bij, bjk -> bik", batch_tensor_1, batch_tensor_2)

# input batch tensors to work with
In [13]: batch_tensor_1 = torch.arange(2 * 4 * 3).reshape(2, 4, 3)
In [14]: batch_tensor_2 = torch.arange(2 * 3 * 4).reshape(2, 3, 4) 

In [15]: torch.bmm(batch_tensor_1, batch_tensor_2)  
Out[15]: 
tensor([[[  20,   23,   26,   29],
         [  56,   68,   80,   92],
         [  92,  113,  134,  155],
         [ 128,  158,  188,  218]],

        [[ 632,  671,  710,  749],
         [ 776,  824,  872,  920],
         [ 920,  977, 1034, 1091],
         [1064, 1130, 1196, 1262]]])

# sanity check with the shapes
In [16]: torch.bmm(batch_tensor_1, batch_tensor_2).shape 
Out[16]: torch.Size([2, 4, 4])

# batch matrix multiply using einsum
In [17]: torch.einsum("bij, bjk -> bik", batch_tensor_1, batch_tensor_2)
Out[17]: 
tensor([[[  20,   23,   26,   29],
         [  56,   68,   80,   92],
         [  92,  113,  134,  155],
         [ 128,  158,  188,  218]],

        [[ 632,  671,  710,  749],
         [ 776,  824,  872,  920],
         [ 920,  977, 1034, 1091],
         [1064, 1130, 1196, 1262]]])

# sanity check with the shapes
In [18]: torch.einsum("bij, bjk -> bik", batch_tensor_1, batch_tensor_2).shape

12）軸2に沿った合計
PyTorch：torch.sum(batch_ten, 2)
NumPy einsum：np.einsum("ijk -> ij", arr3D)

In [99]: torch.einsum("ijk -> ij", batch_ten)
Out[99]: 
tensor([[ 50,  90, 130, 170],
        [  4,   8,  12,  16]])

13）nDテンソルのすべての要素を合計します
PyTorch：torch.sum(batch_ten)
NumPy einsum：np.einsum("ijk -> ", arr3D)

In [101]: torch.einsum("ijk -> ", batch_ten)
Out[101]: tensor(480)

14）複数の軸の合計（つまり、周辺化）
PyTorch：torch.sum(arr, dim=(dim0, dim1, dim2, dim3, dim4, dim6, dim7))
NumPy：np.einsum("ijklmnop -> n", nDarr)

# 8D tensor
In [103]: nDten = torch.randn((3,5,4,6,8,2,7,9))
In [104]: nDten.shape
Out[104]: torch.Size([3, 5, 4, 6, 8, 2, 7, 9])

# marginalize out dimension 5 (i.e. "n" here)
In [111]: esum = torch.einsum("ijklmnop -> n", nDten)
In [112]: esum
Out[112]: tensor([  98.6921, -206.0575])

# marginalize out axis 5 (i.e. sum over rest of the axes)
In [113]: tsum = torch.sum(nDten, dim=(0, 1, 2, 3, 4, 6, 7))

In [115]: torch.allclose(tsum, esum)
Out[115]: True

15）ダブルドット積/ フロベニウス内積 （同じです：torch.sum（hadamard-product）cf. 3）
PyTorch：torch.sum(aten * bten)
NumPy：np.einsum("ij, ij -> ", arr1, arr2)

In [120]: torch.einsum("ij, ij -> ", aten, bten)
Out[120]: tensor(1300)
25
kmario23