文章图片

导语：本文主要介绍了如何理解 PyTorch 中的爱因斯坦求和 （einsum） ，并结合实际例子讲解和 PyTorch C++实现代码解读，希望读者看完本文后掌握 einsum 的基本用法。
撰文｜梁德澎
原文首发于公众号GiantpandaCV
1 爱因斯坦求和约定 爱因斯坦求和约定（einsum）提供了一套既简洁又优雅的规则，可实现包括但不限于：向量内积，向量外积，矩阵乘法，转置和张量收缩（tensor contraction）等张量操作，熟练运用 einsum 可以很方便地实现复杂的张量操作，而且不容易出错。
三条基本规则
首先看下 einsum 实现矩阵乘法的例子：

a = torch.rand(2,3) b = torch.rand(3,4) c = torch.einsum("ik,kj->ij", [a, b]) # 等价操作 torch.mm(a, b)

【前沿技术|一文轻松掌握深度学习框架中的einsum】其中需要重点关注的是 einsum 的第一个参数 "ik,kj->ij"，该字符串（下文以 equation 表示）表示了输入和输出张量的维度。equation 中的箭头左边表示输入张量，以逗号分割每个输入张量，箭头右边则表示输出张量。表示维度的字符只能是26个英文字母 'a' - 'z'。
而 einsum 的第二个参数表示实际的输入张量列表，其数量要与 equation 中的输入数量对应。同时对应每个张量的 子 equation 的字符个数要与张量的真实维度对应，比如 "ik,kj->ij" 表示输入和输出张量都是两维的。
equation 中的字符也可以理解为索引，就是输出张量的某个位置的值，是怎么从输入张量中得到的，比如上面矩阵乘法的输出 c 的某个点 c[i, j] 的值是通过 a[i, k] 和 b[k, j] 沿着 k 这个维度做内积得到的。
接着介绍两个基本概念，自由索引（Free indices）和求和索引（Summation indices）：

• 自由索引，出现在箭头右边的索引，比如上面的例子就是 i 和 j；
  
• 求和索引，只出现在箭头左边的索引，表示中间计算结果需要这个维度上求和之后才能得到输出，比如上面的例子就是 k。
  

接着是介绍三条基本规则：

• 规则一：equation 箭头左边，在不同输入之间重复出现的索引表示，把输入张量沿着该维度做乘法操作，比如还是以上面矩阵乘法为例， "ik,kj->ij"，k 在输入中重复出现，所以就是把 a 和 b 沿着 k 这个维度作相乘操作；
  
• 规则二：只出现在 equation 箭头左边的索引，表示中间计算结果需要在这个维度上求和，也就是上面提到的求和索引；
  
• 规则三：equation 箭头右边的索引顺序可以是任意的，比如上面的 "ik,kj->ij" 如果写成 "ik,kj->ji"，那么就是返回输出结果的转置，用户只需要定义好索引的顺序，转置操作会在 einsum 内部完成。
  

特殊规则
特殊规则有两条：

• equation 可以不写包括箭头在内的右边部分，那么在这种情况下，输出张量的维度会根据默认规则推导。就是把输入中只出现一次的索引取出来，然后按字母表顺序排列，比如上面的矩阵乘法 "ik,kj->ij" 也可以简化为 "ik,kj"，根据默认规则，输出就是 "ij" 与原来一样；
  
• equation 中支持 "..." 省略号，用于表示用户并不关心的索引，比如只对一个高维张量的最后两维做转置可以这么写：
  

a = torch.randn(2,3,5,7,9) # i = 7, j = 9 b = torch.einsum('...ij->...ji', [a])

2 实际例子解读 接下来将展示13个具体的例子，在这些例子中会将 PyTorch einsum 与对应的 PyTorch 张量接口和 Python 简单的循环展开实现做对比，希望读者看完这些例子之后能轻松掌握 einsum 的基本用法。
实验代码github链接：
https://github.com/Ldpe2G/CodingForFun/tree/master/einsum_ex
1.提取矩阵对角线元素

import torch import numpy as npa = torch.arange(9).reshape(3, 3) # i = 3 torch_ein_out = torch.einsum('ii->i', [a]).numpy() torch_org_out = torch.diagonal(a, 0).numpy()np_a = a.numpy() # 循环展开实现 np_out = np.empty((3,), dtype=np.int32) # 自由索引外循环 for i in range(0, 3): # 求和索引内循环 # 这个例子并没有求和索引， # 所以相当于是1 sum_result = 0 for inner in range(0, 1): sum_result += np_a[i, i] np_out[i] = sum_resultprint("input:\n", np_a) print("torch ein out: \n", torch_ein_out) print("torch org out: \n", torch_org_out) print("numpy out: \n", np_out) print("is np_out == torch_ein_out ?", np.allclose(torch_ein_out, np_out)) print("is torch_org_out == torch_ein_out ?", np.allclose(torch_ein_out, torch_org_out))# 终端打印结果 # input: #[[0 1 2] #[3 4 5] #[6 7 8]] # torch ein out: #[0 4 8] # torch org out: #[0 4 8] # numpy out: #[0 4 8] # is np_out == torch_ein_out ? True # is torch_org_out == torch_ein_out ? True

2. 矩阵转置

import torch import numpy as npa = torch.arange(6).reshape(2, 3) # i = 2, j = 3 torch_ein_out = torch.einsum('ij->ji', [a]).numpy() torch_org_out = torch.transpose(a, 0, 1).numpy()np_a = a.numpy() # 循环展开实现 np_out = np.empty((3, 2), dtype=np.int32) # 自由索引外循环 for j in range(0, 3): for i in range(0, 2): # 求和索引内循环 # 这个例子并没有求和索引 # 所以相当于是1 sum_result = 0 for inner in range(0, 1): sum_result += np_a[i, j] np_out[j, i] = sum_resultprint("input:\n", np_a) print("torch ein out: \n", torch_ein_out) print("torch org out: \n", torch_org_out) print("numpy out: \n", np_out) print("is np_out == torch_org_out ?", np.allclose(torch_ein_out, np_out)) print("is torch_ein_out == torch_org_out ?", np.allclose(torch_ein_out, torch_org_out))# 终端打印结果 # input: #[[0 1 2] #[3 4 5]] # torch ein out: #[[0 3] #[1 4] #[2 5]] # torch org out: #[[0 3] #[1 4] #[2 5]] # numpy out: #[[0 3] #[1 4] #[2 5]] # is np_out == torch_org_out ? True # is torch_ein_out == torch_org_out ? True

3. permute 高维张量转置

import torch import numpy as npa = torch.randn(2,3,5,7,9) # i = 7, j = 9 torch_ein_out = torch.einsum('...ij->...ji', [a]).numpy() torch_org_out = a.permute(0, 1, 2, 4, 3).numpy()np_a = a.numpy() # 循环展开实现 np_out = np.empty((2,3,5,9,7), dtype=np.float32) # 自由索引外循环 for j in range(0, 9): for i in range(0, 7): # 求和索引内循环 # 这个例子没有求和索引 sum_result = 0 for inner in range(0, 1): sum_result += np_a[..., i, j] np_out[..., j, i] = sum_resultprint("is np_out == torch_org_out ?", np.allclose(torch_ein_out, np_out)) print("is torch_ein_out == torch_org_out ?", np.allclose(torch_ein_out, torch_org_out))# 终端打印结果 # is np_out == torch_org_out ? True # is torch_ein_out == torch_org_out ? True

4. reduce sum

import torch import numpy as npa = torch.arange(6).reshape(2, 3) # i = 2, j = 3 torch_ein_out = torch.einsum('ij->', [a]).numpy() torch_org_out = torch.sum(a).numpy()np_a = a.numpy() # 循环展开实现 np_out = np.empty((1, ), dtype=np.int32) # 自由索引外循环 # 这个例子中没有自由索引 # 相当于所有维度都加一起 for o in range(0 ,1): # 求和索引内循环 # 这个例子中，i 和 j # 都是求和索引 sum_result = 0 for i in range(0, 2): for j in range(0, 3): sum_result += np_a[i, j] np_out[o] = sum_resultprint("input:\n", np_a) print("torch ein out: \n", torch_ein_out) print("torch org out: \n", torch_org_out) print("numpy out: \n", np_out) print("is np_out == torch_ein_out ?", np.allclose(torch_ein_out, np_out)) print("is torch_org_out == torch_ein_out ?", np.allclose(torch_ein_out, torch_org_out))# 终端打印结果 # input: #[[0 1 2] #[3 4 5]] # torch ein out: #15 # torch org out: #15 # numpy out: #[15] # is np_out == torch_ein_out ? True # is torch_org_out == torch_ein_out ? True

5.矩阵按列求和

import torch import numpy as npa = torch.arange(6).reshape(2, 3) # i = 2, j = 3 torch_ein_out = torch.einsum('ij->j', [a]).numpy() torch_org_out = torch.sum(a, dim=0).numpy()np_a = a.numpy() # 循环展开实现 np_out = np.empty((3, ), dtype=np.int32) # 自由索引外循环 # 这个例子中是 j for j in range(0, 3): # 求和索引内循环 # 这个例子中是 i sum_result = 0 for i in range(0, 2): sum_result += np_a[i, j] np_out[j] = sum_resultprint("input:\n", np_a) print("torch ein out: \n", torch_ein_out) print("torch org out: \n", torch_org_out) print("numpy out: \n", np_out) print("is np_out == torch_ein_out ?", np.allclose(torch_org_out, np_out)) print("is torch_org_out == torch_ein_out ?", np.allclose(torch_org_out, torch_ein_out))# 终端打印输出 # input: #[[0 1 2] #[3 4 5]] # torch ein out: #[3 5 7] # torch org out: #[3 5 7] # numpy out: #[3 5 7] # is np_out == torch_ein_out ? True # is torch_org_out == torch_ein_out ? True

6. 矩阵向量乘法

import torch import numpy as npa = torch.arange(6).reshape(2, 3) b = torch.arange(3) # i = 2, k = 3 torch_ein_out = torch.einsum('ik,k->i', [a, b]).numpy() # 等价形式，可以省略箭头和输出 torch_ein_out2 = torch.einsum('ik,k', [a, b]).numpy() torch_org_out = torch.mv(a, b).numpy()np_a = a.numpy() np_b = b.numpy() # 循环展开实现 np_out = np.empty((2, ), dtype=np.int32) # 自由索引外循环 # 这个例子是 i for i in range(0, 2): # 求和索引内循环 # 这个例子中是 k sum_result = 0 for k in range(0, 3): sum_result += np_a[i, k] * np_b[k] np_out[i] = sum_resultprint("matrix a:\n", np_a) print("vector b:\n", np_b) print("torch ein out: \n", torch_ein_out) print("torch ein out2: \n", torch_ein_out2) print("torch org out: \n", torch_org_out) print("numpy out: \n", np_out) print("is np_out == torch_ein_out ?", np.allclose(torch_ein_out, np_out)) print("is torch_ein_out2 == torch_ein_out ?", np.allclose(torch_ein_out2, torch_ein_out)) print("is torch_org_out == torch_ein_out ?", np.allclose(torch_org_out, torch_ein_out))# 终端打印输出 # matrix a: #[[0 1 2] #[3 4 5]] # vector b: #[0 1 2] # torch ein out: #[ 5 14] # torch ein out2: #[ 5 14] # torch org out: #[ 5 14] # numpy out: #[ 5 14] # is np_out == torch_ein_out ? True # is torch_ein_out2 == torch_ein_out ? True # is torch_org_out == torch_ein_out ? True

7. 矩阵乘法

import torch import numpy as npa = torch.arange(6).reshape(2, 3) b = torch.arange(15).reshape(3, 5) # i = 2, k = 3, j = 5 torch_ein_out = torch.einsum('ik,kj->ij', [a, b]).numpy() # 等价形式，可以省略箭头和输出 torch_ein_out2 = torch.einsum('ik,kj', [a, b]).numpy() torch_org_out = torch.mm(a, b).numpy()np_a = a.numpy() np_b = b.numpy() # 循环展开实现 np_out = np.empty((2, 5), dtype=np.int32) # 自由索引外循环 # 这个例子是 i 和 j for i in range(0, 2): for j in range(0, 5): # 求和索引内循环 # 这个例子是 k sum_result = 0 for k in range(0, 3): sum_result += np_a[i, k] * np_b[k, j] np_out[i, j] = sum_resultprint("matrix a:\n", np_a) print("matrix b:\n", np_b) print("torch ein out: \n", torch_ein_out) print("torch ein out2: \n", torch_ein_out2) print("torch org out: \n", torch_org_out) print("numpy out: \n", np_out) print("is numpy == torch_ein_out ?", np.allclose(torch_ein_out, np_out)) print("is torch_ein_out2 == torch_ein_out ?", np.allclose(torch_ein_out2, torch_ein_out)) print("is torch_org_out == torch_ein_out ?", np.allclose(torch_org_out, torch_ein_out))# 终端打印输出 # matrix a: #[[0 1 2] #[3 4 5]] # matrix b: #[[ 01234] #[ 56789] #[10 11 12 13 14]] # torch ein out: #[[ 2528313437] #[ 708294 106 118]] # torch ein out2: #[[ 2528313437] #[ 708294 106 118]] # torch org out: #[[ 2528313437] #[ 708294 106 118]] # numpy out: #[[ 2528313437] #[ 708294 106 118]] # is numpy == torch_ein_out ? True # is torch_ein_out2 == torch_ein_out ? True # is torch_org_out == torch_ein_out ? True

8. 向量内积

import torch import numpy as npa = torch.arange(3) b = torch.arange(3, 6) # [3, 4, 5] # i = 3 torch_ein_out = torch.einsum('i,i->', [a, b]).numpy() # 等价形式，可以省略箭头和输出 torch_ein_out2 = torch.einsum('i,i', [a, b]).numpy() torch_org_out = torch.dot(a, b).numpy()np_a = a.numpy() np_b = b.numpy() # 循环展开实现 np_out = np.empty((1, ), dtype=np.int32) # 自由索引外循环 # 这个例子没有自由索引 for o in range(0, 1): # 求和索引内循环 # 这个例子是 i sum_result = 0 for i in range(0, 3): sum_result += np_a[i] * np_b[i] np_out[o] = sum_resultprint("vector a:\n", np_a) print("vector b:\n", np_b) print("torch ein out: \n", torch_ein_out) print("torch ein out2: \n", torch_ein_out2) print("torch org out: \n", torch_org_out) print("numpy out: \n", np_out) print("is np_out == torch_ein_out ?", np.allclose(torch_ein_out, np_out)) print("is torch_ein_out2 == torch_ein_out ?", np.allclose(torch_ein_out2, torch_ein_out)) print("is torch_org_out == torch_ein_out ?", np.allclose(torch_org_out, torch_ein_out))# 终端打印输出 # vector a: #[0 1 2] # vector b: #[3 4 5] # torch ein out: #14 # torch ein out2: #14 # torch org out: #14 # numpy out: #[14] # is np_out == torch_ein_out ? True # is torch_ein_out2 == torch_ein_out ? True # is torch_org_out == torch_ein_out ? True

9. 矩阵元素对应相乘并求reduce sum

import torch import numpy as npa = torch.arange(6).reshape(2, 3) b = torch.arange(6,12).reshape(2, 3) # i = 2, j = 3 torch_ein_out = torch.einsum('ij,ij->', [a, b]).numpy() # 等价形式，可以省略箭头和输出 torch_ein_out2 = torch.einsum('ij,ij', [a, b]).numpy() torch_org_out = (a * b).sum().numpy()np_a = a.numpy() np_b = b.numpy() # 循环展开实现 np_out = np.empty((1, ), dtype=np.int32) # 自由索引外循环 # 这个例子没有自由索引 for o in range(0, 1): # 求和索引内循环 # 这个例子是 i 和 j sum_result = 0 for i in range(0, 2): for j in range(0, 3): sum_result += np_a[i,j] * np_b[i,j] np_out[o] = sum_resultprint("matrix a:\n", np_a) print("matrix b:\n", np_b) print("torch ein out: \n", torch_ein_out) print("torch ein out2: \n", torch_ein_out2) print("torch org out: \n", torch_org_out) print("numpy out: \n", np_out) print("is np_out == torch_ein_out ?", np.allclose(torch_ein_out, np_out)) print("is torch_ein_out2 == torch_ein_out ?", np.allclose(torch_ein_out2, torch_ein_out)) print("is torch_org_out == torch_ein_out ?", np.allclose(torch_org_out, torch_ein_out))# 终端打印输出 # matrix a: #[[0 1 2] #[3 4 5]] # matrix b: #[[ 678] #[ 9 10 11]] # torch ein out: #145 # torch ein out2: #145 # torch org out: #145 # numpy out: #[145] # is np_out == torch_ein_out ? True # is torch_ein_out2 == torch_ein_out ? True # is torch_org_out == torch_ein_out ? True

10. 向量外积

import torch import numpy as npa = torch.arange(3) b = torch.arange(3,7)# [3, 4, 5, 6] # i = 3, j = 4 torch_ein_out = torch.einsum('i,j->ij', [a, b]).numpy() # 等价形式，可以省略箭头和输出 torch_ein_out2 = torch.einsum('i,j', [a, b]).numpy() torch_org_out = torch.outer(a, b).numpy()np_a = a.numpy() np_b = b.numpy() # 循环展开实现 np_out = np.empty((3, 4), dtype=np.int32) # 自由索引外循环 # 这个例子是 i 和 j for i in range(0, 3): for j in range(0, 4): # 求和索引内循环 # 这个例子没有求和索引 sum_result = 0 for inner in range(0, 1): sum_result += np_a[i] * np_b[j] np_out[i, j] = sum_resultprint("vector a:\n", np_a) print("vector b:\n", np_b) print("torch ein out: \n", torch_ein_out) print("torch ein out2: \n", torch_ein_out2) print("torch org out: \n", torch_org_out) print("numpy out: \n", np_out) print("is np_out == torch_ein_out ?", np.allclose(torch_ein_out, np_out)) print("is torch_ein_out2 == torch_ein_out ?", np.allclose(torch_ein_out2, torch_ein_out)) print("is torch_org_out == torch_ein_out ?", np.allclose(torch_org_out, torch_ein_out))# 终端打印输出 # vector a: #[0 1 2] # vector b: #[3 4 5 6] # torch ein out: #[[ 0000] #[ 3456] #[ 68 10 12]] # torch ein out2: #[[ 0000] #[ 3456] #[ 68 10 12]] # torch org out: #[[ 0000] #[ 3456] #[ 68 10 12]] # numpy out: #[[ 0000] #[ 3456] #[ 68 10 12]] # is np_out == torch_ein_out ? True # is torch_ein_out2 == torch_ein_out ? True # is torch_org_out == torch_ein_out ? True

11. batch 矩阵乘法

import torch import numpy as npa = torch.randn(2,3,5) b = torch.randn(2,5,4) # i = 2, j = 3, k = 5, l = 4 torch_ein_out = torch.einsum('ijk,ikl->ijl', [a, b]).numpy() torch_org_out = torch.bmm(a, b).numpy() np_a = a.numpy() np_b = b.numpy() # 循环展开实现 np_out = np.empty((2, 3, 4), dtype=np.float32) # 自由索引外循环 # 这个例子是 i,j和l for i in range(0, 2): for j in range(0, 3): for l in range(0, 4): # 求和索引内循环 # 这个例子是 k sum_result = 0 for k in range(0, 5): sum_result += np_a[i, j, k] * np_b[i, k, l] np_out[i, j, l] = sum_resultprint("is np_out == torch_ein_out ?", np.allclose(torch_ein_out, np_out)) print("is torch_org_out == torch_ein_out ?", np.allclose(torch_ein_out, torch_org_out))# 终端打印输出 # is np_out == torch_ein_out ? True # is torch_org_out == torch_ein_out ? True

12. 张量收缩（tensor contraction）

import torch import numpy as npa = torch.randn(2,3,5,7) b = torch.randn(11,13,3,17,5) # p = 2, q = 3, r = 5, s = 7 # t = 11, u = 13, v = 17, r = 5 torch_ein_out = torch.einsum('pqrs,tuqvr->pstuv', [a, b]).numpy() torch_org_out = torch.tensordot(a, b, dims=([1, 2], [2, 4])).numpy()np_a = a.numpy() np_b = b.numpy() # 循环展开实现 np_out = np.empty((2, 7, 11, 13, 17), dtype=np.float32) # 自由索引外循环 # 这里就是 p,s,t,u和v for p in range(0, 2): for s in range(0, 7): for t in range(0, 11): for u in range(0, 13): for v in range(0, 17): # 求和索引内循环 # 这里是 q和r sum_result = 0 for q in range(0, 3): for r in range(0, 5): sum_result += np_a[p, q, r, s] * np_b[t, u, q, v, r] np_out[p, s, t, u, v] = sum_resultprint("is np_out == torch_ein_out ?", np.allclose(torch_ein_out, np_out, atol=1e-6)) print("is torch_ein_out == torch_org_out ?", np.allclose(torch_ein_out, torch_org_out, atol=1e-6))# 终端打印输出 # is np_out == torch_ein_out ? True # is torch_ein_out == torch_org_out ? True

13. 二次变换（bilinear transformation）

import torch import numpy as npa = torch.randn(2,3) b = torch.randn(5,3,7) c = torch.randn(2,7) # i = 2, k = 3, j = 5, l = 7 torch_ein_out = torch.einsum('ik,jkl,il->ij', [a, b, c]).numpy() m = torch.nn.Bilinear(3, 7, 5, bias=False) m.weight.data = https://www.it610.com/article/b torch_org_out = m(a, c).detach().numpy()np_a = a.numpy() np_b = b.numpy() np_c = c.numpy() # 循环展开实现 np_out = np.empty((2, 5), dtype=np.float32) # 自由索引外循环 # 这里是 i 和 j for i in range(0, 2): for j in range(0, 5): # 求和索引内循环 # 这里是 k 和 l sum_result = 0 for k in range(0, 3): for l in range(0, 7): sum_result += np_a[i, k] * np_b[j, k, l] * np_c[i, l] np_out[i, j] = sum_result# print("matrix a:\n", np_a) # print("matrix b:\n", np_b) print("torch ein out: \n", torch_ein_out) print("torch org out: \n", torch_org_out) print("numpy out: \n", np_out) print("is np_out == torch_ein_out ?", np.allclose(torch_ein_out, np_out)) print("is torch_org_out == torch_ein_out ?", np.allclose(torch_ein_out, torch_org_out))# 终端打印输出 # torch ein out: #[[-2.91851160.17024004 -0.439155341.586000810.016678] #[-0.48688257 -3.5114982-0.7543343-0.467909221.4816089 ]] # torch org out: #[[-2.91851160.17024004 -0.439155341.586000810.016678] #[-0.48688257 -3.5114982-0.7543343-0.467909221.4816089 ]] # numpy out: #[[-2.91851140.17023998 -0.43915511.586000810.016678] #[-0.4868826-3.5114982-0.7543342-0.46790921.4816089 ]] # is np_out == torch_ein_out ? True # is torch_org_out == torch_ein_out ? True

从上面的13个例子可以看出，只要确定了自由索引和求和索引，einsum 的输出计算都可以用一套比较通用的多层循来实现，外层的循环对应自由索引，内层循环对应求和索引。
3 PyTorch einsum 实现简要解读 C++ 代码解读
Github 代码链接：
https://github.com/pytorch/pytorch/blob/53596cdb7359116e8c8ae18ffef06f2677ad1296/aten/src/ATen/native/Linear.cpp#L148
我只读懂了大概的实现思路，然后按照我自己的理解添加了注释（仅供参考）：

// 为了方便理解，我简化了大部分代码， // 并把对于 "..." 省略号的处理去掉了 /** * 代码实现主要分为3大步： * 1. 解析 equation，分别得到输入和输出对应的字符串 * 2. 补全输出和输入张量的维度，通过 permute 操作对齐输入和输出的维度 * 3. 将维度对齐之后的输入张量相乘，然后根据求和索引累加 */ Tensor einsum(std::string equation, TensorList operands) { // ...... // 把 equation 按照箭头分割 // 得到箭头左边输入的部分 const auto arrow_pos = equation.find("->"); const auto lhs = equation.substr(0, arrow_pos); // 获取输入操作数个数 const auto num_ops = operands.size(); // 下面循环主要作用是解析 equation 左边输入部分， // 按 ',' 号分割得到每个输入张量对应的字符串， // 并把并把每个 char 字符转成 int， 范围 [0, 25] // 新建 vector 保存每个输入张量对应的字符数组 std::vector> op_labels(num_ops); std::size_t curr_op = 0; for (auto i = decltype(lhs.length()){0}; i < lhs.length(); ++i) { switch (lhs[i]) { // ...... case ',': // 遇到逗号，接下来解析下一个输入张量的字符串 ++curr_op; // ...... break; default: // ...... // 把 char 字符转成 int op_labels[curr_op].push_back(lhs[i] - 'a'); } }// TOTAL_LABELS = 26 constexpr int TOTAL_LABELS = 'z' - 'a' + 1; std::vector label_count(TOTAL_LABELS, 0); // 遍历所有输入操作数 // 统计 equation 中 'a' - 'z' 每个字符的出现次数 for(const auto i : c10::irange(num_ops)) { const auto labels = op_labels[i]; for (const auto& label : labels) { // ...... ++label_count[label]; } // ...... }// 创建一个 vector 用于保存 equation // 箭头右边输出的字符到索引的映射 std::vector label_perm_index(TOTAL_LABELS, -1); int64_t perm_index = 0; // ...... // 接下来解析输出字符串 if (arrow_pos == std::string::npos) { // 处理用户省略了箭头的情况， // ...... } else { // 一般情况 // 得到箭头右边的输出 const auto rhs = equation.substr(arrow_pos + 2); // 遍历输出字符串并解析 for (auto i = decltype(rhs.length()){0}; i < rhs.length(); ++i) { switch (rhs[i]) { // ...... default: // ...... const auto label = rhs[i] - 'a'; // ...... // 建立字符到索引的映射，perm_index从0开始 label_perm_index[label] = perm_index++; } } }// 保存原始的输出维度大小 const int64_t out_size = perm_index; // 对齐输出张量的维度，使得对齐之后的维度等于 // 自由索引加上求和索引的个数 // 对输出补全省略掉的求和索引 // 也就是在输入等式中出现，但是没有在输出等式中出现的字符 for (const auto label : c10::irange(TOTAL_LABELS)) { if (label_count[label] > 0 && label_perm_index[label] == -1) { label_perm_index[label] = perm_index++; } }// 对所有输入张量，同样补齐维度至与输出维度大小相同 // 最后对输入做 permute 操作，使得输入张量的每一维 // 与输出张量的每一维能对上 std::vector permuted_operands; for (const auto i: c10::irange(num_ops)) { // 保存输入张量最终做 permute 时候的维度映射 std::vector perm_shape(perm_index, -1); Tensor operand = operands[i]; // 取输入张量对应的 equation const auto labels = op_labels[i]; std::size_t j = 0; for (const auto& label : labels) { // ...... // 建立当前遍历到的输入张量字符到 // 输出张量的字符到的映射 // label: 当前遍历到的字符 // label_perm_index: 保存了输出字符对应的索引 // 所以 perm_shape 就是建立了输入张量的每一维度 // 与输出张量维度的对应关系 perm_shape[label_perm_index[label]] = j++; } // 如果输入张量的维度小于补全后的输出 // 那么 perm_shape 中一定存在值为 -1 的元素 // 那么相当于需要扩充输入张量的维度 // 扩充的维度添加在张量的尾部 for (int64_t& index : perm_shape) { if (index == -1) { // 在张量尾部插入维度1 operand = operand.unsqueeze(-1); // 修改了perm_shape中的index， // 因为是引用取值 index = j++; } } // 把输入张量的维度按照输出张量的维度重排，采用 permute 操作 permuted_operands.push_back(operand.permute(perm_shape)); } // ...... Tensor result = permuted_operands[0]; // ..... // 计算最终结果 for (const auto i: c10::irange(1, num_ops)) { Tensor operand = permuted_operands[i]; // 新建 vector 用于保存求和索引 std::vector sum_dims; // ...... // 详细的代码可以阅读 PyTorch 源码 // 这里我还没有完全理解 sumproduct_pair 的实现， // 里面用的是 permute + bmm， // 不过我觉得可以简单理解为 // 将张量做广播乘法，再根据求和索引做累加 result = sumproduct_pair(result, operand, sum_dims, false); } return result; }

图解实现
下面还是用矩阵乘法来说明C++的实现思路，下图展示的是矩阵乘法的通用实现：

文章图片
接下来展示C++的实现思路：

文章图片
4 总结 通过上面的实际例子和代码解读，可以看到 einsum 非常灵活，可以方便地实现各种常用的张量操作。希望读者通过这篇文章也可以轻松掌握 einsum 的基本用法。文中对于 PyTorch C++实现代码的解析是基于作者自己的理解，如果觉得有误或者不理解的地方欢迎讨论。
参考资料 1.https://www.youtube.com/watch?v=pkVwUVEHmfI&ab_channel=AladdinPersson 2.https://rockt.github.io/2018/04/30/einsum 3.https://ajcr.net/Basic-guide-to-einsum/ 4.https://obilaniu6266h16.wordpress.com/2016/02/04/einstein-summation-in-numpy/ 其他人都在看

• 数据搬运的“诅咒”
  
• 一个黑客“沦落”为搬砖的CVer
  
• 岁末年初，为你打包了一份技术合订本
  
• GPU架构变迁之AI系统视角：从费米到安培
  
• 计算机史最疯狂一幕：“蓝色巨人”奋身一跃
  
• 30年做成三家独角兽公司，AI芯片创业的底层逻辑
  

欢迎下载体验OneFlow新一代开源深度学习框架：GitHub - Oneflow-Inc/oneflow: OneFlow is a performance-centered and open-source deep learning framework.
文章图片
https://github.com/Oneflow-Inc/oneflow/

推荐阅读

• 

  redis多用户登录 redis多账号密码
• 

  和田玉手牌_真玉和假玉在灯光下有啥区别
• 

  用颜料画的画大全 如何用水彩画蛋，水彩画用什么笔勾线
• 

  使用|使用 SAP HANA Virtual Table 连接外部数据源
• 

  redis连接失败什么意思 redis无法连接rst
• 

  吃草莓会拉红色大便吗
• 

  期货如何设置止损
• 

  iQOO|iQOO Z5开售了！价格便宜又配备了5000mAh容量电池
• 

  上海大学分数线 上海大学高考分数线
• 

  猫咪身上有凸起的包会动
• 

  鸿蒙系统nova5ipro升级时间介绍
• 

  三星GalaxyView平板电脑风扇坏了怎么修理
• 

  9点45分怎么弄时钟图片,一个钟表疯狂猜成语答案大全图片
• 

  y53sT2版和标准版的区别
• 

  ross|消息称苹果iPhone 14 Pro采用“感叹号”打孔，无缘屏下Face ID
• 

  如何制作马克思发生器视频
• 

  T区抗氧化需要什么护肤品
• 

  奔图P2550打印机老卡纸维修报价
• 

  华为m买手机就应该选用得久的，目前这4部手机最值得买，好看又好用
• 

  威能半冷凝壁挂炉代码如何解决

• 前沿技术|岁末年初，为你打包了一份技术合订本
• 业界观点|Ion Stoica（做成Spark和Ray两个明星项目的秘笈）
• 前沿技术|一个Tensor在深度学习框架中的执行过程
• 机器学习|【机器学习个人笔记】part1——用sklearn实现数据预处理
• 机器学习实战|sklearn常用数据预处理方法
• 网络|python 网络编程-1
• Python|python中的pandas库
• ICT|一文将大数据、云计算、物联网、5G（移动网）、人工智能等最新技术串起来
• Python|pandas操作指南（超级详细！！！）