[PyTorch] tensor의 vectorized operation

PyTorch에서 제공하는 Tensor Operators

PyTorch에서 제공하는 텐서 연산(operator)은

• homogeneous하고 contiguous한 텐서에 대해
• 모든 element에 동일한 연산을 적용하도록 설계된
• vectorized operation의 형태를 취함.
• 다른 이름으로 elementwise operation이라고도 불림.

이는 파이썬의 반복문 기반 연산에 비해

• 압도적으로 빠른 속도를 제공하며,
• 단일 연산자 호출만으로 전체 텐서에 대한 연산을 수행할 수 있게 함.

PyTorch의 elementwise 연산은

• NumPy의 ufunc과 기능적으로 유사한 역할(아래 3가지 참고)을 수행하지만,
  1. broadcasting 처리
  2. elementwise kernel 처리
  3. dtype promotion 처리
• 보다 광범위한 backend 를 통해 실행됨.

여기서, 커널(kernel)은 OS등의 kernel이 아님.
텐서나 배열의 요소에 대해 연산을 수행하는
C/C++ 혹은 CUDA로 구현된 실제 계산 함수(executable routine) 를 의미.

GPU·CPU에서
병렬 처리되는 "작은 단위의 계산 루틴"이라는 의미로
kernel이라는 용어를 사용함
(High-Performance Computing분야에서 많이 사용됨)

routine 에 대한 뜻은 다음을 참고:

2026.06.11 - [CE] - [CE] Routine 이란

[CE] Routine 이란

 

다른 분야에서의 kernel의 뜻은 아래 링크를 참고:

https://dsaint31.tistory.com/819#4.%20%EB%8B%A4%EB%A5%B8%20%EB%B6%84%EC%95%BC%EC%9D%98%20Kernel%EA%B3%BC%EC%9D%98%20%EB%B9%84%EA%B5%90-1-5

[ML] Kernel Function 이란: Kernel Trick 포함

 

즉, CPU뿐 아니라 GPU, XLA 장치 등 다양한 디바이스에서
동일한 연산이 자동으로 벡터화된 방식으로 처리됨.

 

실제로 PyTorch의 이러한 elementwise 연산들은

• homogeneous하고 contiguous한 데이터 레이아웃에 최적화된
• 고성능 바이너리 커널 구현물에 대한 바인딩(binding)이라고 볼 수 있음.
• 참고로, non-contiguous 텐서도 내부에서 contiguous copy를 만들거나 stride-aware kernel을 사용하는 방식으로 처리는 가능함 (약간의 성능감소는 있을 수 있음)

 

Python에서 간단히 사용할 수 있도록 high-level interface가 제공되지만,

• 실제 tensor 연산은 내부적으로 C++ 기반의 ATen backend를 통해
• CPU kernel 또는 CUDA kernel로 dispatch됨.
• 특히 GPU tensor 연산의 경우 CUDA kernel이 실행되어 대규모 tensor 연산을 병렬로 빠르게 처리함.

---

주요 예제

주요 예제는 다음의 글을 참고할 것:

2024.03.19 - [Python] - [Tensor] vectorized op. (or universal func)

[Tensor] vectorized op. (or universal func)

 

inplace op.는 다음을 참고

2025.03.13 - [Python] - [PyTorch] in-place 연산이란?

[PyTorch] in-place 연산이란?

---

같이 보면 좋은 자료

2025.03.07 - [Python] - [DL] Tensor 다루기 기초 - PyTorch 중심

[DL] Tensor 다루기 기초 - PyTorch 중심

---