使用 ATen 库

PyTorch Python 接口的底层是 ATen，这是一个驱动其张量计算的 C++ 基本库。虽然 Python API 提供了便利性和灵活性，但在开发高性能定制 C++ 或 CUDA 扩展时，或者需要对 Python 中未完全公开的操作进行更细致的控制时，直接与 ATen 库交互就变得有必要。理解 ATen 有助于阐明 PyTorch 内部如何执行操作，并提供构建真正优化的底层组件的工具。

ATen 是 PyTorch 中主要的张量库。它在 C++ 中定义了 Tensor 对象，并实现了数百个作用于这些张量的数学操作。可以将其看作是为 torch.add、torch.matmul 或复杂神经网络 (neural network)层等函数执行实际数值工作的驱动力。你通常调用的 Python 函数通常作为封装器，最终调度到 ATen 的 C++ 实现。

为何与 ATen 交互？

在你的 C++ 代码中直接使用 ATen 函数具有以下优点：

1. 性能： 对于计算密集型操作，特别是那些在 Python 中速度较慢的涉及循环或复杂索引模式的操作，使用 ATen 的 C++ 实现可以通过避免 Python 解释器开销来带来显著的加速。
2. 访问底层操作： ATen 提供的函数和张量操作的范围比公共 Python API 更广。这对于实现新颖算法或高度优化的核函数可能很有用。
3. 定制扩展的支撑： 在构建定制 C++ 或 CUDA 操作符时（如本章其他部分所述），你必然会用到 ATen 张量和函数。ATen 作为 PyTorch 体系与你的定制 C++/CUDA 代码之间的连接点。

ATen 的结构与调度

ATen 采用复杂的调度机制，将张量操作路由到合适的后端实现（CPU、CUDA，可能还有其他）。当你调用 at::add(tensor1, tensor2) 这样的操作时，ATen 会检查输入张量的属性，主要是它们的设备（CPU 或 CUDA）和数据类型（float、int 等）。根据这些属性，它会动态选择并执行正确的底层核函数。

操作从 Python 经由 ATen 调度器到后端特定核函数的流程。

这种机制使得 PyTorch 能够在利用硬件特定优化的同时，保持一致的 API。在编写定制扩展时，你通常会为特定后端（如 CUDA 核函数）实现函数，并将它们注册到调度器，让 ATen 在合适的时候找到并使用你的定制代码。

在 C++ 中使用 ATen

要在 C++ 代码中使用 ATen，你主要需要包含 ATen 的主头文件：

#include <ATen/ATen.h>

这个头文件引入了张量和函数所需的定义。在 C++ 中，PyTorch 张量由 at::Tensor 类表示。你可以像在 Python 中一样创建和操作这些张量：

// 示例：在 C++ 中创建和使用 ATen 张量

// 在 CPU 上创建一个 2x3 的全一张量
at::Tensor tensor_a = at::ones({2, 3}, at::kFloat);

// 在 CPU 上创建一个 2x3 的随机数张量
at::Tensor tensor_b = at::randn({2, 3}, at::kFloat);

// 使用 ATen 函数执行加法
at::Tensor tensor_c = at::add(tensor_a, tensor_b);

// 执行元素级乘法
at::Tensor tensor_d = at::mul(tensor_c, 2.0); // 乘以一个标量

// 打印张量属性（需要 <iostream>）
std::cout << "张量 D:\n" << tensor_d << std::endl;
std::cout << "张量 D 数据类型: " << tensor_d.scalar_type() << std::endl;
std::cout << "张量 D 设备: " << tensor_d.device() << std::endl;

ATen 提供了与大多数 PyTorch 操作对应的函数，名称通常相似（例如，at::matmul、at::relu、at::sigmoid）。这些函数直接操作 at::Tensor 对象。

与 PyTorch C++ 扩展的集成

ATen 是 PyTorch C++ 扩展的支撑。当你使用 pybind11 定义一个要绑定到 Python 的 C++ 函数时（通常使用 torch/extension.h 完成），你在 C++ 中接收到的 torch::Tensor 参数 (parameter)本质上是 at::Tensor 的封装器。你可以直接将它们与 ATen 函数一起使用。

考虑一个用于定制扩展的简单 C++ 函数：

#include <torch/extension.h>
#include <ATen/ATen.h>

// 一个使用 ATen 的简单 C++ 函数
torch::Tensor scaled_add(torch::Tensor x, torch::Tensor y, float scale_factor) {
  // x 和 y 是 torch::Tensor，但与 at:: 函数兼容
  // 使用 ATen 函数执行操作
  at::Tensor scaled_x = at::mul(x, scale_factor);
  at::Tensor result = at::add(scaled_x, y);
  return result; // 返回类型为 torch::Tensor
}

// 绑定代码（通常在单独的文件或代码块中）
PYBIND11_MODULE(TORCH_EXTENSION_NAME, m) {
  m.def("scaled_add", &scaled_add, "执行缩放加法: scale_factor * x + y");
}

在这个例子中，x 和 y 是从 Python 接收的 torch::Tensor 对象。它们可以直接传递给 at::mul 和 at::add 等 ATen 函数。结果在内部是 at::Tensor，但作为 torch::Tensor 返回，PyTorch 会自动处理以供 Python 使用。torch::Tensor 作为面向用户的 C++ API 张量类型，与底层的 ATen 实现结合。

需注意的事项

• 命名空间： 你会经常遇到 at:: 和 torch:: 这两种命名空间。at:: 专门指 ATen 库组件（底层张量操作）。torch:: 通常指更广泛的 PyTorch C++ API，包含自动微分功能、模块（torch::nn）以及 torch::Tensor 封装器本身。对于定制核函数中使用的基本张量操作，你将主要使用 at::。
• 张量类型和设备： 在 C++ 中工作时，你需要明确指定张量数据类型（at::ScalarType，例如 at::kFloat、at::kHalf、at::kInt）和设备（at::Device，例如 at::kCPU、at::kCUDA）。ATen 函数通常要求输入张量在同一设备上，并且可能具有特定的数据类型要求。你可以使用 tensor.to(at::kCUDA) 或 tensor.to(at::kFloat) 等方法检查和转换张量。
• 内存管理： at::Tensor 和 torch::Tensor 都使用引用计数进行内存管理，类似于 Python 张量。当张量在 Python 和 C++ 之间传递，或在 C++ 函数中使用时，它们的引用计数会自动管理。除非执行了显式复制操作，内存通常是共享的（而不是复制）。
• 自动微分： 需要注意的是，如上所示直接调用 ATen 函数通常不会在 PyTorch 计算图中记录操作。如果你的涉及 ATen 调用的定制 C++ 操作需要支持自动微分，你必须将其封装在 torch::autograd::Function 中，定义定制的 forward 和 backward 方法。这在第 1 章（“PyTorch 内部机制与自动微分”）中有介绍，在将定制计算核函数集成到可训练模型中时不可或缺。ATen 提供了计算构件，而 torch::autograd::Function 则将其与梯度跟踪系统结合。

直接使用 ATen 赋予你强大的功能，用于性能优化和扩展 PyTorch 的主要功能。它是 PyTorch 张量计算发生的层面，在构建提升性能和能力上限的定制 C++ 和 CUDA 扩展时，理解它很有帮助。虽然它需要仔细处理类型、设备和自动微分系统，但掌握 ATen 的交互使用可以充分发挥 PyTorch 在高级深度学习 (deep learning)工程中的全部潜能。