截断 Pytorch 张量的 SVD 分解而不转移到 cpu

Question

我正在 Pytorch 中训练一个模型，我想使用截断的 SVD 分解输入。为了计算 SVD，我将输入女巫是 Pytorch Cuda 张量到 CPU 并使用TruncatedSVDfrom scikit-learnperform truncate，之后，我将结果传输回 GPU。以下是我的模型的代码： class ImgEmb(nn.Module):    def __init__(self, input_size, hidden_size):        super(ImgEmb, self).__init__()        self.input_size = input_size        self.hidden_size = hidden_size        self.drop = nn.Dropout(0.2)        self.mlp = nn.Linear(input_size/2, hidden_size)        self.relu = nn.Tanh()        self.svd = TruncatedSVD(n_components=input_size/2)    def forward(self, input):        svd=self.svd.fit_transform(input.cpu())        svd_tensor=torch.from_numpy(svd)        svd_tensor=svd_tensor.cuda()        mlp=self.mlp(svd_tensor)        res = self.relu(mlp)        return res我想知道是否有一种方法可以实现截断的 SVD 而无需来回传输到 GPU？（因为它非常耗时并且根本没有效率）

Answer 1

您可以直接使用 PyTorch 的 SVD 并手动截断它，或者您可以使用来自TensorLy的截断 SVD和 PyTorch 后端：

import tensorly as tl

tl.set_backend('pytorch')

U, S, V = tl.truncated_svd(matrix, n_eigenvecs=10)

但是，GPU SVD 在大型矩阵上的扩展性不是很好。您还可以使用 TensorLy 的部分 svd，它仍会将您的输入复制到 CPU，但如果您只保留几个特征值会更快，因为它将使用稀疏特征分解。在 Scikit-learn 的截断 SVD 中，您还可以使用 'algorithm = arpack' 来使用 Scipy 的稀疏 SVD，如果您只需要几个组件，这可能会更快。

Answer 2

如何将张量 CUDA 转换为 CPU？

如果您有一个 CUDA 张量，您可以使用以下指令将其传输到 CPU：

y_vel 它是 cuda 中的 pytorch 张量。

y_val = y_val.cpu().data.numpy()