Python: Векторизация obliczenia realizowane z wykorzystaniem podejścia итеративного

Ponieważ masz do czynienia z trzema miarami n, mi c (małymi literami, aby uniknąć dwuznaczności), może być przydatne zmienić kształt wszystkich тензоров na (n, m, c)poprzez replikacji ich wartości zaginionego pomiaru (np. M(m, c) staje się M(n, m, c)).

Można jednak pominąć sama replikacja i korzystać z emisji transmisję, więc wystarczy anulować żądanie brakujące pomiaru (np. M(m, c) staje się M(1, m, c).

Biorąc pod uwagę te względy, векторизация twojego kodu staje się następnej

cond = y.unsqueeze(2) == torch.arange(M.size(dim=1)).unsqueeze(0)
pos = ds.unsqueeze(2) * M.unsqueeze(1) * cond
neg = ds.unsqueeze(2) * M.unsqueeze(1).sum(dim=0, keepdim=True) * ~cond
grad += (pos - neg).sum(dim=0)

Oto mały test, aby sprawdzić poprawność rozwiązania

import torch

n, m, c = 11, 5, 7

y = torch.randint(c, size=(n, 1))
ds = torch.rand(n, m)
M = torch.randint(2, size=(n, c))
grad = torch.rand(m, c)


def slow_grad(y, ds, M, grad):
    for i in range(M.size(dim=1)):
        for j in range(ds.size(dim=0)):
            if y[j] == i:
                grad[:,i] = grad[:,i] - (ds[j,:].T * sum(M[j,:]))
            else:
                if M[j,i] > 0:
                    grad[:,i] = grad[:,i] + ds[j,:].T
    return grad


def fast_grad(y, ds, M, grad):
    cond = y.unsqueeze(2) == torch.arange(M.size(dim=1)).unsqueeze(0)
    pos = ds.unsqueeze(2) * M.unsqueeze(1) * cond
    neg = ds.unsqueeze(2) * M.unsqueeze(1).sum(dim=0, keepdim=True) * ~cond
    grad += (pos - neg).sum(dim=0)
    return grad
  
# Assert equality of all elements function outputs, throws an exception if false
assert torch.all(slow_grad(y, ds, M, grad) == fast_grad(y, ds, M, grad))

Zapraszam do testowania i w innych przypadkach!