pytorch里一些函数的说明记录

THLongStorage *THTensor_(newSizeOf)(THTensor *self);

THLongStorage *THTensor_(newStrideOf)(THTensor *self);

把THTensor的size/stride数据提取出来，赋值给一个新的THLongStorage并返回

 

TH_API void THTensor_(narrow)(THTensor *self, THTensor *src, int dimension, long firstIndex, long size);

从src里找到第dimension个维度，从这个维度的firstIndex开始，连续取size个子tensor

self复制于src，通过修改self->storageOffset和self->size[dimension]来维持视图的正确。

 

TH_API void THTensor_(select)(THTensor *self, THTensor *src, int dimension, long sliceIndex);

去src里的第dimension维度里的第sliceIndex个子tensor, 结果在self上进行修改

self通过前移size、stride，修改nDimesion来维持视图正确。

调用了THTensor_(narrow)

 

void THTensor_(resize)(THTensor *self, THLongStorage *size, THLongStorage *stride);

先做一些检查，size不能为NULL，stride可以为NULL，也可以存在，

如果stride存在，size -> size 和 stride -> size 必须一样，这个是由tensor的构造决定的，检查完毕后，调用resizeNd

 

void THTensor_(resizeNd)(THTensor *self, int nDimension, long *size, long *stride);

重置一个THTensor维度的函数，和newView不一样，这个不是要求元素总量一致的情况下修改视图，

而是直接把指定THTensor变成新的指定size/stride，视情况还会修改底层的THStorage

对nDimension循环，检查现在self的stride和size是否能够与目标的stride和size对应，

其实就是逐维检查size[d]、stride[d]和 self->size[d]、self->stride[d]是否一致，如果完全一致就直接沿用不需要resize了

size的最后几个维度可能会有负数，遇到这种负数一律跳出，并且修改nDimension为实际要变换的数量。

如果self现有的属性和指定的dimension不符合，那就重分配size和stride数组的长度，然后重赋值

如果计算发现底层THStorage储存不够，或者THStorage直接为NULL，就重分配或者new一个THStorage

 

void THTensor_(indexSelect)(THTensor *tensor, THTensor *src, int dim, THLongTensor *index);

把src里的第dim维的index个子张量取出，在tensor中储存

如，src是3x4x5x6，dim=1，index=[2, 0, 1]，取出后的tensor维度是3x3x5x6

 

void THTensor_(indexCopy)(THTensor *tensor, int dim, THLongTensor *index, THTensor *src);

tensor里的数据的第dim维，按index的顺序，被src的dim维按自然数顺序赋值

比如，src是3x4x5x6，dim=1，index=[2, 0, 3, 1]，此时tensor的dim1index2被src的dim1index0赋值，dim1index0被dim1index1赋值，以此类推

这便要求index的长度与src -> size[dim]必须相等，

index里的数字不重复也不报错，但是实际执行并不会如意，当index=[0, 0, 0, 0]时，

并不是tensor的每一个子张量都等于src[:, 0, :, :]，而是循环中tensor第0个、0个、0个、0个子张量被赋予src的第1、2、3、4个子张量

最后实际上相当于把tensor的第0个子张量赋为src的第4个子张量

【务必注意】这个分配顺序和indexSelect是相反的

 

void THTensor_(gather)(THTensor *tensor, THTensor *src, int dim, THLongTensor *index);

void THTensor_(scatter)(THTensor *tensor, int dim, THLongTensor *index, THTensor *src);

这两个也是刚好相反的，gather是用index的顺序，从src中收集数据，赋值给按自然数循环的tensor

scatter是把tensor的index位置数据，用src以自然数循环的值填充，相当于把src“打散”了

这两个名字也非常形象

 

TH_API void THTensor_(validXCorr2Dptr)(real *r_, real alpha,real *t_, long ir, long ic,real *k_, long kr, long kc, long sr, long sc);

二维卷积操作

t_: input  ||  ir, ic: data rows, cols  ||  kr, kc: kernel rows, cols  ||  sr, sc: stride rows, cols || r_: output

 

 

#define THNN_resizeAs_indices(I1, I2)

I1， I2两个TensorIndexTensor(TensorLongTensor)，对I1做resize成I2的维度

#define THNN_CHECK_SHAPE(I1, I2) 

检查I1， I2两个的size是否相同

#define THNN_CHECK_SHAPE_INDICES(I1, I2)

和CHECK_SHAPE基本一样，不同的是它先用THStorage存I2的size2信息，用I1和I2的size2比较，比较完以后再释放

非常奇怪，为什么要这样做，和上一个宏在应用中的差别在哪里？

#define THNN_CHECK_NELEMENT(I1, I2)

检查I1， I2是否具有同等数量的元素

#define THNN_CHECK_DIM_SIZE(T, DIM, DIM_SIZE, SIZE)

#define THNN_CHECK_DIM_SIZE_INDICES(T, DIM, DIM_SIZE, SIZE)

要求T的维度等于DIM，T的第DIM_SIZE个维度大小等于SIZE