如何将自定义函数应用于 PyTorch 中矩阵中的特定列答案

【问题标题】：How to apply a custom function to specific columns in a matrix in PyTorch如何将自定义函数应用于 PyTorch 中矩阵中的特定列
【发布时间】：2018-10-09 23:26:35
【问题描述】：

我有一个大小为 [150, 182, 91] 的张量，第一部分只是批量大小，而我感兴趣的矩阵是 182x91 的。

我需要在 182x91 矩阵上分别为 50 个维度中的每一个运行一个函数。

我需要得到一个182x91矩阵的对角矩阵条纹，我使用的函数如下（基于我之前的问题：Getting diagonal matrix stripe automatically in numpy or pytorch）：

 def stripe(a):

    i, j = a.size()
    assert (i >= j)

    out = torch.zeros((i - j + 1, j))
    for diag in range(0, i - j + 1):
        out[diag] = torch.diag(a, -diag)
    return out

stripe 函数需要一个大小为 IxJ 的矩阵，无法处理第 3 维。

所以当我运行这个时：

some_matrix = x # <class 'torch.autograd.variable.Variable'> torch.Size([150, 182, 91])
get_diag = stripe(some_matrix)

我收到此错误：ValueError: too many values to unpack (expected 2)

如果我只是尝试通过 x, i, j = a.size() 跳过第一个维度，我明白了：RuntimeError: invalid argument 1: expected a matrix or a vector at

我仍在使用 PyTorch 0.3.1。任何帮助表示赞赏！

【问题讨论】：

标签： python matrix neural-network pytorch tensor

【解决方案1】：

您可以使用torch.unbind as 将条带函数映射到张量的第一维上

In [1]: import torch

In [2]: def strip(a):
   ...:     i, j = a.size()
   ...:     assert(i >= j)
   ...:     out = torch.zeros((i - j + 1, j))
   ...:     for diag in range(0, i - j + 1):
   ...:         out[diag] = torch.diag(a, -diag)
   ...:     return out
   ...: 
   ...: 

In [3]: a = torch.randn((182, 91)).cuda()

In [5]: output = strip(a)

In [6]: output.size()
Out[6]: torch.Size([92, 91])

In [7]: a = torch.randn((150, 182, 91))

In [8]: output = list(map(strip, torch.unbind(a, 0)))

In [9]: output = torch.stack(output, 0)

In [10]: output.size()
Out[10]: torch.Size([150, 92, 91])

【讨论】：

谢谢，我收到以下错误RuntimeError: copy from Variable to torch.FloatTensor isn't implemented，因为我说过我的输入是变量而不是张量，有没有快速更改类型的方法？看起来迁移到 0.4 可以得到回报。
是的，它可以立即在0.4.1 中使用。但是，如果你想在0.3.1 上运行它，错误必须由out[diag] = torch.diag(a, -diag) 行引入。您可以将out 的创建与Variable 包装为out = Variable(torch.zeros(i - j + 1, j)))
谢谢，效果很好。顺便说一句，由于某种原因，当我在您的解决方案中执行 j + 1 时，我总是得到一个元素太多的输出长度。如果我不使用+1，它似乎可以正常工作并输出正确数量的元素。你能详细说明你为什么要+1吗？
考虑矩阵为n X n的情况。如果你计算(i - j)，那么它将是0，并且不会选择矩阵的对角线。
添加代码后，在 epoch 迭代结束时，我总是在 torch.autograd.backward 中收到 RuntimeError: The size of tensor a (181) must match the size of tensor b (180) at non-singleton dimension 1 错误，是代码中的任何内容向模型添加了一些额外的参数，我必须跟踪?

【解决方案2】：

这是一种不使用stack 和unbind 的方法，直接在批处理矩阵上计算对角线：

def batch_stripe(a):
    b, i, j = a.size()
    assert i > j
    b_s, k, l = a.stride()
    return torch.as_strided(a, (b, i - j, j), (b_s, k, k+1))

【讨论】：