操作 TensorDict 的形状

作者： Tom Begley

在本教程中，您将学习如何操作 a 的形状及其内容。

当我们创建一个时，我们指定一个 ，它必须同意 替换为 .由于我们有 保证所有条目共享这些共同的维度，能够公开许多方法，我们可以使用这些方法来操作 的形状 及其内容。batch_size

import torch
from tensordict.tensordict import TensorDict

为TensorDict

由于保证 batch 维度存在于所有条目上，因此我们可以为它们编制索引 随我们所愿，并且 的每个条目都将以相同的 道路。

a = torch.rand(3, 4)
b = torch.rand(3, 4, 5)
tensordict = TensorDict({"a": a, "b": b}, batch_size=[3, 4])

indexed_tensordict = tensordict[:2, 1]
assert indexed_tensordict["a"].shape == torch.Size([2])
assert indexed_tensordict["b"].shape == torch.Size([2, 5])

重塑TensorDict

工作原理与 .它适用于沿批次维度的所有内容 - 请注意 示例如下。它还会更新属性。bbatch_size

reshaped_tensordict = tensordict.reshape(-1)
assert reshaped_tensordict.batch_size == torch.Size([12])
assert reshaped_tensordict["a"].shape == torch.Size([12])
assert reshaped_tensordict["b"].shape == torch.Size([12, 5])

拆分TensorDict

类似于 。它将 cookie 拆分成块。每 chunk 是与原始 a 具有相同结构的 a，但 其条目是原始 .

chunks = tensordict.split([3, 1], dim=1)
assert chunks[0].batch_size == torch.Size([3, 3])
assert chunks[1].batch_size == torch.Size([3, 1])
torch.testing.assert_close(chunks[0]["a"], tensordict["a"][:, :-1])

注意

每当函数或方法接受参数时，负维度为 相对于 的 解释 function 或 method 被调用。特别是，如果存在具有不同批处理大小的嵌套值，则负维度为 始终相对于根的批次维度进行解释。dimbatch_size

>>> tensordict = TensorDict(
...     {
...         "a": torch.rand(3, 4),
...         "nested": TensorDict({"b": torch.rand(3, 4, 5)}, [3, 4, 5])
...     },
...     [3, 4],
... )
>>> # dim = -2 will be interpreted as the first dimension throughout, as the root
>>> # TensorDict has 2 batch dimensions, even though the nested TensorDict has 3
>>> chunks = tensordict.split([2, 1], dim=-2)
>>> assert chunks[0].batch_size == torch.Size([2, 4])
>>> assert chunks[0]["nested"].batch_size == torch.Size([2, 4, 5])

从这个例子中可以看出，该方法的行为与 虽然我们已经用 叫。dim=-2dim=tensordict.batch_dims - 2

㩠

类似于 ，在概念上也类似于 。它会删除指定的 维度，并返回该维度上所有切片的 A。tuple

slices = tensordict.unbind(dim=1)
assert len(slices) == 4
assert all(s.batch_size == torch.Size([3]) for s in slices)
torch.testing.assert_close(slices[0]["a"], tensordict["a"][:, 0])

堆叠和连接

可以与 和 结合使用。torch.cattorch.stack

堆垛TensorDict

堆叠可以延迟或连续完成。惰性堆栈只是一个 tensordict 列表 以 Tensordict 堆栈的形式呈现。它允许用户携带一袋 tensordict 具有不同的内容形状、设备或键集。另一个优点是 堆栈操作可能成本高昂，如果只需要一小部分键， 惰性堆栈将比适当的堆栈快得多。 它依赖于类。 在这种情况下，只有在访问值时才会按需堆叠值。

from tensordict import LazyStackedTensorDict

cloned_tensordict = tensordict.clone()
stacked_tensordict = LazyStackedTensorDict.lazy_stack(
    [tensordict, cloned_tensordict], dim=0
)
print(stacked_tensordict)

# Previously, torch.stack was always returning a lazy stack. For consistency with
# the regular PyTorch API, this behaviour will soon be adapted to deliver only
# dense tensordicts. To control which behaviour you are relying on, you can use
# the :func:`~tensordict.utils.set_lazy_legacy` decorator/context manager:

from tensordict.utils import set_lazy_legacy

with set_lazy_legacy(True):  # old behaviour
    lazy_stack = torch.stack([tensordict, cloned_tensordict])
assert isinstance(lazy_stack, LazyStackedTensorDict)

with set_lazy_legacy(False):  # new behaviour
    dense_stack = torch.stack([tensordict, cloned_tensordict])
assert isinstance(dense_stack, TensorDict)

LazyStackedTensorDict(
    fields={
        a: Tensor(shape=torch.Size([2, 3, 4]), device=cpu, dtype=torch.float32, is_shared=False),
        b: Tensor(shape=torch.Size([2, 3, 4, 5]), device=cpu, dtype=torch.float32, is_shared=False)},
    exclusive_fields={
    },
    batch_size=torch.Size([2, 3, 4]),
    device=None,
    is_shared=False,
    stack_dim=0)

如果我们沿堆叠维度索引 a，我们将恢复 原来的 .

assert stacked_tensordict[0] is tensordict
assert stacked_tensordict[1] is cloned_tensordict

访问 key 中的结果是这些值为 堆叠。如果 key 对应于嵌套的 cookie，那么我们将恢复 另一个 .

assert stacked_tensordict["a"].shape == torch.Size([2, 3, 4])

注意

由于值是按需堆叠的，因此多次访问一个项目将意味着它 多次堆叠，效率低下。如果需要访问值 在 Stacked 多次中，您可能需要考虑 将 the 转换为 连续 ，这可以通过 or 方法完成。LazyStackedTensorDict

>>> assert isinstance(stacked_tensordict.contiguous(), TensorDict)
>>> assert isinstance(stacked_tensordict.contiguous(), TensorDict)

调用这些方法中的任何一个后，我们将得到一个包含堆叠值的 regular，并且当 值。TensorDict

串联TensorDict

串联不是懒惰完成的，而是调用实例列表只是返回一个 是列表元素的串联项。

concatenated_tensordict = torch.cat([tensordict, cloned_tensordict], dim=0)
assert isinstance(concatenated_tensordict, TensorDict)
assert concatenated_tensordict.batch_size == torch.Size([6, 4])
assert concatenated_tensordict["b"].shape == torch.Size([6, 4, 5])

扩大TensorDict

我们可以使用 展开 的所有条目。

exp_tensordict = tensordict.expand(2, *tensordict.batch_size)
assert exp_tensordict.batch_size == torch.Size([2, 3, 4])
torch.testing.assert_close(exp_tensordict["a"][0], exp_tensordict["a"][1])

挤压和解压TensorDict

我们可以使用 和 方法压缩或解压缩 a 的内容。

tensordict = TensorDict({"a": torch.rand(3, 1, 4)}, [3, 1, 4])
squeezed_tensordict = tensordict.squeeze()
assert squeezed_tensordict["a"].shape == torch.Size([3, 4])
print(squeezed_tensordict, end="\n\n")

unsqueezed_tensordict = tensordict.unsqueeze(-1)
assert unsqueezed_tensordict["a"].shape == torch.Size([3, 1, 4, 1])
print(unsqueezed_tensordict)

TensorDict(
    fields={
        a: Tensor(shape=torch.Size([3, 4]), device=cpu, dtype=torch.float32, is_shared=False)},
    batch_size=torch.Size([3, 4]),
    device=None,
    is_shared=False)

TensorDict(
    fields={
        a: Tensor(shape=torch.Size([3, 1, 4, 1]), device=cpu, dtype=torch.float32, is_shared=False)},
    batch_size=torch.Size([3, 1, 4, 1]),
    device=None,
    is_shared=False)

注意

到目前为止，像 ， ， ， 这样的操作都是返回这些操作的懒惰版本（即，原始 tensordict 的 Tensordict 存储，并且每次访问键时都会应用操作）。 这种行为在未来将被弃用，并且已经可以通过函数控制：

>>> with set_lazy_legacy(True):
...     lazy_unsqueeze = tensordict.unsqueeze(0)
>>> with set_lazy_legacy(False):
...     dense_unsqueeze = tensordict.unsqueeze(0)

请记住，与往常一样，这些方法仅适用于批次维度。任何非 条目的 Batch 维度将不受影响

tensordict = TensorDict({"a": torch.rand(3, 1, 1, 4)}, [3, 1])
squeezed_tensordict = tensordict.squeeze()
# only one of the singleton dimensions is dropped as the other
# is not a batch dimension
assert squeezed_tensordict["a"].shape == torch.Size([3, 1, 4])

查看 TensorDict

还支持 。这将创建一个 it 在访问其内容时懒惰地创建视图。view_ViewedTensorDict

tensordict = TensorDict({"a": torch.arange(12)}, [12])
# no views are created at this step
viewed_tensordict = tensordict.view((2, 3, 2))

# the view of "a" is created on-demand when we access it
assert viewed_tensordict["a"].shape == torch.Size([2, 3, 2])

排列批次维度

该方法可用于 排列批次维度，这与 .非批次维度是 保持不变。

此操作是惰性的，因此只有在我们尝试访问 条目。与往常一样，如果您可能需要访问特定的条目倍数 时间，请考虑转换为 .

tensordict = TensorDict({"a": torch.rand(3, 4), "b": torch.rand(3, 4, 5)}, [3, 4])
# swap the batch dimensions
permuted_tensordict = tensordict.permute([1, 0])

assert permuted_tensordict["a"].shape == torch.Size([4, 3])
assert permuted_tensordict["b"].shape == torch.Size([4, 3, 5])

使用 tensordict 作为装饰器

对于一堆可逆操作，tensordicts 可以用作装饰器。 这些操作包括函数 调用，并且 或 形状操作，例如 、 和 。 以下是该函数的快速示例：transpose

tensordict = TensorDict({"a": torch.rand(3, 4), "b": torch.rand(3, 4, 5)}, [3, 4])

with tensordict.transpose(1, 0) as tdt:
    tdt.set("c", torch.ones(4, 3))  # we have permuted the dims

# the ``"c"`` entry is now in the tensordict we used as decorator:
#

assert (tensordict.get("c") == 1).all()

在 中收集值TensorDict

该方法可用于 沿 Batch 维度编制索引，并将结果大量收集到单个维度中 比如 .

index = torch.randint(4, (3, 4))
gathered_tensordict = tensordict.gather(dim=1, index=index)
print("index:\n", index, end="\n\n")
print("tensordict['a']:\n", tensordict["a"], end="\n\n")
print("gathered_tensordict['a']:\n", gathered_tensordict["a"], end="\n\n")

index:
 tensor([[2, 3, 2, 1],
        [3, 3, 0, 0],
        [3, 1, 1, 2]])

tensordict['a']:
 tensor([[0.1814, 0.2808, 0.2381, 0.4003],
        [0.1536, 0.0138, 0.4464, 0.6981],
        [0.9308, 0.0727, 0.3552, 0.4791]])

gathered_tensordict['a']:
 tensor([[0.2381, 0.4003, 0.2381, 0.2808],
        [0.6981, 0.6981, 0.1536, 0.1536],
        [0.4791, 0.0727, 0.0727, 0.3552]])