如何在 PYTORCH 中进行 2 层嵌套 FOR 循环？答案

【问题标题】：How to do 2-layer nested FOR loop in PYTORCH?如何在 PYTORCH 中进行 2 层嵌套 FOR 循环？
【发布时间】：2019-07-28 23:58:40
【问题描述】：

我正在学习在 Pytorch 中实现分解机。并且应该有一些特征交叉操作。比如我有三个特征[A,B,C]，嵌入后是[vA,vB,vC]，所以特征交叉是“[vA·vB],[vA·vC],[vB ·vc]"。

我知道可以通过以下方式简化此操作：

它可以通过 MATRIX OPERATIONS 来实现。但这只会给出最终结果，比如一个值。

问题是，如何在不做FOR循环的情况下获取下面所有的cross_vec：注意：“feature_emb”的大小是 [batch_size x feature_len x embedding_size]

    g_feature = 0 
    for i in range(self.featurn_len):
        for j in range(self.featurn_len):
            if j <= i: continue
            cross_vec = feature_emb[:,i,:] * feature_emb[:,j,:]       
            g_feature += torch.sum(cross_vec, dim=1)

【问题讨论】：

请不要发布屏幕截图 - 而是复制粘贴文本。 SO 无法索引屏幕截图中的文本。
A 和 vA 或您的 feature_emb 和 cross_vec 的尺寸是多少？
A：batch_size x feature_len vA：batch_size x feature_len x embedding_size

标签： machine-learning deep-learning pytorch recommendation-engine matrix-factorization

【解决方案1】：

你可以

cross_vec = (feature_emb[:, None, ...] * feature_emb[..., None, :]).sum(dim=-1)

这应该给你corss_vec 形状(batch_size, feature_len, feature_len)。

或者，您可以使用torch.bmm

cross_vec = torch.bmm(feature_emb, feature_emb.transpose(1, 2))

【讨论】：

您的解决方案给出了“点”结果。我在 for 循环中有“if j
@JinyangLiu 输出矩阵corss_vec 是对称的，你可以简单地取矩阵的上/下训练部分。
太棒了！使用cross_vec[:, torch.triu(torch.ones(feature_len, feature_len), diagonal=1) == 1, :]，我得到了我想要的！！！
还有一个问题！如果我想得到连接，也就是说，得到``` (batch_size, (feature_len * (feature_len-1))/2, embedding_size * 2) ``` 作为结果。