Pytorch 张量的截断 SVD 分解而不转移到 cpu

Question

我正在 Pytorch 中训练一个模型，我想使用输入的截断 SVD 分解。为了计算 SVD，我将输入是一个 Pytorch Cuda 张量传输到 CPU 并使用 TruncatedSVD 从 scikit-learn 执行截断，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

我想知道有没有一种方法可以在不来回传输到 GPU 的情况下实现截断 SVD？（因为非常耗时，而且一点效率都没有）

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，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，它仍然会将您的输入复制到 CPU，但如果您只保留几个特征值，速度会更快，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 CUDA 中的张量转换为 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是cuda中的pytorch张量

y_val = y_val.cpu().data.numpy()

Pytorch 张量的截断 SVD 分解而不转移到 cpu

Truncate SVD decomposition of Pytorch tensor without transfering to cpu

python

svd

scikit-learn

pytorch