如何在 PyTorch 中移动具有不同偏移量的张量中的列（或行）？

Question

在 PyTorch 中，内置的 torch.roll 函数只能移动具有相同偏移量的列（或行）。但我想用不同的偏移量移动列。假设输入张量是

[[1,2,3],
 [4,5,6],
 [7,8,9]]

假设，我想为第 i 列移动偏移量 i。因此，预期的输出是

[[1,8,6],
 [4,2,9],
 [7,5,3]]

这样做的一个选项是使用torch.roll 分别移动每一列并连接它们中的每一个。但是出于有效性和代码紧凑性的考虑，我不想介绍循环结构。有没有更好的办法？

Answer 1

我对@9​​87654322@的性能持怀疑态度，所以我用numpy搜索了类似的问题，发现this的帖子。

从 NumPy 到 Pytorch 的类似解决方案

我从@Andy L 那里得到了解决方案并将其翻译成pytorch。但是，请持保留态度，因为我不知道大步是如何工作的：

from numpy.lib.stride_tricks import as_strided
# NumPy solution:
def custom_roll(arr, r_tup):
    m = np.asarray(r_tup)
    arr_roll = arr[:, [*range(arr.shape[1]),*range(arr.shape[1]-1)]].copy() #need `copy`
    #print(arr_roll)
    strd_0, strd_1 = arr_roll.strides
    #print(strd_0, strd_1)
    n = arr.shape[1]
    result = as_strided(arr_roll, (*arr.shape, n), (strd_0 ,strd_1, strd_1))

    return result[np.arange(arr.shape[0]), (n-m)%n]

# Translated to PyTorch
def pcustom_roll(arr, r_tup):
    m = torch.tensor(r_tup)
    arr_roll = arr[:, [*range(arr.shape[1]),*range(arr.shape[1]-1)]].clone() #need `copy`
    #print(arr_roll)
    strd_0, strd_1 = arr_roll.stride()
    #print(strd_0, strd_1)
    n = arr.shape[1]
    result = torch.as_strided(arr_roll, (*arr.shape, n), (strd_0 ,strd_1, strd_1))

    return result[torch.arange(arr.shape[0]), (n-m)%n]

这也是@Daniel M 的即插即用解决方案。

def roll_by_gather(mat,dim, shifts: torch.LongTensor):
    # assumes 2D array
    n_rows, n_cols = mat.shape
    
    if dim==0:
        #print(mat)
        arange1 = torch.arange(n_rows).view((n_rows, 1)).repeat((1, n_cols))
        #print(arange1)
        arange2 = (arange1 - shifts) % n_rows
        #print(arange2)
        return torch.gather(mat, 0, arange2)
    elif dim==1:
        arange1 = torch.arange(n_cols).view(( 1,n_cols)).repeat((n_rows,1))
        #print(arange1)
        arange2 = (arange1 - shifts) % n_cols
        #print(arange2)
        return torch.gather(mat, 1, arange2)
    

基准测试

首先，我在 CPU 上运行这些方法。 令人惊讶的是，上面的gather 解决方案是最快的：

n_cols = 10000
n_rows = 100
shifts = torch.randint(-100,100,size=[n_rows,1])
data = torch.arange(n_rows*n_cols).reshape(n_rows,n_cols)
npdata = np.arange(n_rows*n_cols).reshape(n_rows,n_cols)
npshifts = shifts.numpy()
%timeit roll_by_gather(data,1,shifts)
%timeit pcustom_roll(data,shifts)
%timeit custom_roll(npdata,npshifts)
>> 2.41 ms ± 68.2 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
>> 90.4 ms ± 882 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)
>> 247 ms ± 6.08 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

在 GPU 上运行代码显示类似的结果：

%timeit roll_by_gather(data,shifts)
%timeit pcustom_roll(data,shifts)
131 µs ± 6.79 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)
3.29 ms ± 46.8 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

（注意：roll_by_gather方法中需要torch.arange(...,device='cuda:0')）

Answer 2

让我们定义一些名称：

import torch

mat = torch.Tensor(
[[1,2,3],
 [4,5,6],
 [7,8,9]])

indices = torch.LongTensor([0, 1, 2]) # Could also use arange in this specific scenario

首先，你可以制作一个类似的张量

[[0, 0, 0],
 [1, 1, 1],
 [2, 2, 2]]

使用

arange1 = torch.arange(3).view((3, 1)).repeat((1, 3))

现在，让我们制作目标索引的张量

[[0, 2, 1],
 [1, 0, 2],
 [2, 1, 0]]

与

arange2 = (arange1 - indices) % 3

最后，我们得到预期的输出

torch.gather(mat, 0, arange2)