PyTorch项目源码学习（2）——Tensor代码结构初步学习

PyTorch版本：1.10.0

Tensor

Tensor是Pytorch项目较为重要的一部分，其中的主要功能如存储，运算由C++和CUDA实现，本文主要从前端开始探索学习Tensor的代码结构。

结构探索

PyTorch前端位于torch目录下，从_tensor.py可以找到Tensor的python定义，可以看到其继承自torch._C._Tensorbase

而Tensorbase的定义可以从torch/_C目录下的__init__.pyi.in文件中找到

可以看到这里传入了metaclass的参数，同时注释表明_TensorBase 和 _TensorMeta的定义存在于python_variable.cpp中

学习一下metaclass相关知识。参考来源于 https://blog.csdn.net/jiguanglong/article/details/93204314

Python除了部分特殊符号之外都是对象，类同样是对象，为了便于理解，可以认为它们相比普通对象，多了可以被实例化的特点。

所有的对象应该拥有基本属性__class__（属于什么类），而所有的类在此基础上应该拥有另一个基本属性__bases__（父类）。如果进行实验可以发现：
一直通过__class__追溯上去，type是最终的顶点(type的__class__指向自己)；
一直通过__bases__追溯上去，object是最终的顶点(object的__bases__为空)。

因此可以称type为元类（一般类的类），当我们进行类定义的时候，实际上运行的是class = type(classname, superclasses, attributedict) （也就是type的__call__方法）

而如果传递了metaclass参数，此时类创建的动作就不再由type执行，而是执行参数对象的__call__方法。

有什么用：通过这种改变元类的方法，我们可以在类创建的过程中增加自定义的工作，该特性极大地提高了编程的自由度。

进一步，在torch/csrc/autograd/python_variable.cpp 中可以找到上面Base与Meta类的定义来源

1509与1518行分别对这两个类的定义和文件中的C++对象进行了绑定（module在这里是pytorch前端的_C），进而找到

因此表面上的结构可以表示成如下