时间戳

首页 > 解决方案 > 如何在 PYTORCH 中进行 2 层嵌套 FOR 循环？

machine-learning - 如何在 PYTORCH 中进行 2 层嵌套 FOR 循环？

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： 在此处输入图像描述

它可以通过 MATRIX OPERATIONS 来实现。但这仅给出最终结果，例如，单个值。

问题是，如何在不执行 FOR 循环的情况下获取以下所有 cross_vec：注意：“feature_emb”的大小为 [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)

标签： machine-learningdeep-learningpytorchrecommendation-enginematrix-factorization

解决方案

你可以

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

这应该给你corss_vec的形状(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))

推荐阅读