Tensor
自從張量（Tensor）計算這個概念出現後，神經網路的演算法就可以看作是一系列的張量計算。所謂的張量，它原本是個數學概念，表示各種向量或者數值之間的關係。PyTorch的張量（torch.Tensor）表示的是N維矩陣與一維陣列的關係。
torch.Tensor的使用方法和numpy很相似（https://pytorch.org/...tensor-tutorial-py），兩者唯一的區別在於torch.Tensor可以使用GPU來計算，這就比用CPU的numpy要快很多。
張量計算的種類有很多，比如加法、乘法、矩陣相乘、矩陣轉置等，這些計算被稱為運算元（Operator），它們是PyTorch的核心元件。
運算元的backend一般是C/C++的擴充程式，PyTorch的backend是稱為"ATen"的C/C++庫，ATen是"A Tensor"的縮寫。
Operator
PyTorch所有的Operator都定義在Declarations.cwrap和native_functions.yaml這兩個檔案中，前者定義了從Torch那繼承來的legacy operator（aten/src/TH），後者定義的是native operator，是PyTorch的operator。
相比於用C++開發的native code，legacy code是在PyTorch編譯時由gen.py根據Declarations.cwrap的內容動態生成的。因此，如果你想要trace這些code，需要先編譯PyTorch。
legacy code的開發要比native code複雜得多。如果可以的話，建議你儘量避開它們。
MatMul
本文會以矩陣相乘--torch.matmul()為例來分析PyTorch運算元的工作流程。
我在深入淺出全連線層（fully connected layer）中有講在GPU層面是如何進行矩陣相乘的。Nvidia、AMD等公司提供了優化好的線性代數計算庫--cuBLAS/rocBLAS/openBLAS，PyTorch只需要呼叫它們的API即可。
Figure 1是torch.matmul()在ATen中的function flow。可以看到，這個flow可不短，這主要是因為不同型別的tensor（2d or Nd, batched gemm or not，with or without bias，cuda or cpu）的操作也不盡相同。
at::matmul()主要負責將Tensor轉換成cuBLAS需要的格式。前面說過，Tensor可以是N維矩陣，如果tensor A是3d矩陣，tensor B是2d矩陣，就需要先將3d轉成2d；如果它們都是>=3d的矩陣，就要考慮batched matmul的情況；如果bias=True，後續就應該交給at::addmm()來處理；總之，matmul要考慮的事情比想象中要多。
除此之外，不同的dtype、device和layout需要呼叫不同的操作函式，這部分工作交由c10::dispatcher來完成。
Dispatcher
dispatcher主要用於動態呼叫dtype、device以及layout等方法函式。用過numpy的都知道，np.array()的資料型別有：float32, float16，int8，int32，.... 如果你瞭解C++就會知道，這類程式最適合用模板（template）來實現。
很遺憾，由於ATen有一部分operator是用C語言寫的（從Torch繼承過來），不支援模板功能，因此，就需要dispatcher這樣的動態排程器。
類似地，PyTorch的tensor不僅可以執行在GPU上，還可以跑在CPU、mkldnn和xla等裝置，Figure 1中的dispatcher4就根據tensor的device呼叫了mm的GPU實現。
layout是指tensor中元素的排布。一般來說，矩陣的排布都是緊湊型的，也就是strided layout。而那些有著大量0的稀疏矩陣，相應地就是sparse layout。
Figure 2是strided layout的演示例項，這裡建立了一個2行2列的矩陣a，它的資料實際存放在一維陣列（a.storage）裡，2行2列只是這個陣列的檢視。
stride充當了從陣列到檢視的橋樑，比如，要列印第2行第2列的元素時，可以通過公式：\(1 * stride(0) + 1 * stride(1)\)來計算該元素在陣列中的索引。
除了dtype、device、layout之外，dispatcher還可以用來呼叫legacy operator。比如說addmm這個operator，它的GPU實現就是通過dispatcher來跳轉到legacy::cuda::_th_addmm。
END
到此，就完成了對PyTorch運算元的學習。如果你要學習其他運算元，可以先從aten/src/ATen/native目錄的相關函式入手，從native_functions.yaml中找到dispatch目標函式，詳情可以參考Figure 1。
更多精彩文章，歡迎掃碼關注下方的公眾號, 並訪問我的簡書部落格：https://www.jianshu.com/u/c0fe8671254e
歡迎轉發至朋友圈，工作號轉載請後臺留言申請授權～
