如何根据索引向量求和

Question

我有 3 个向量 - 一个和向量、一个贡献向量和一个值向量。我想根据它们的贡献向量对值向量求和，并将它们放在求和向量中的相应索引中。一个例子是：

A = [0;0] (sum vector), B = [0,0,1,1] (contribution vector) C=[20,30,40,10] (value vector)

输出： A = [20+30;40+10]

使得 B 向量与 C 的长度相同，并且它们对应的索引告诉我们要添加到 A 中的哪个位置。

我可以通过这样的 for 循环来实现这一点：

for index,value in enumerate(C):
    A[B[index]]+=value

但是，由于这将是我的 NN 模型前向循环的一部分，因此会导致严重的性能问题。具体来说，我正在寻找一种更有效的向量/矩阵排序方法。在上面的示例中，对我有效的方法是：

A=torch.zeros(2,1)
C=C.reshape(2,2)
sum=torch.sum(C,1).reshape(2,1)
A += sum

但是，我遇到了一些问题，因为 A 的索引并不总是具有相同的贡献。例如 - B = [0,0,0,1,1] 和 C=[20,30,40,10,50] 的情况。对于一般情况，是否有功能或战略方法可以做到这一点？谢谢！

Answer 1

执行 for 循环会在一定程度上降低性能。假设贡献向量中唯一类型的数量远小于 B（或 C）的长度，您可以使用以下假设进行 for 循环 O(num_types)

num_types = 3
B_len = 5
C_len = B_len

B = torch.randint(0, num_types, size=[B_len,])
"""
>>> B
tensor([2, 1, 1, 0, 0])
"""

C = torch.randint(0, 10, size=[C_len,])
C = C.float()
"""
>>> C
tensor([1., 5., 7., 6., 2.])
"""

# For loop here
A = [torch.sum(C * (torch.eq(B, type).float()) for type in range(num_types)]
# A = [tensor(8.), tensor(12.), tensor(1.)]

# Convert it to torch.tensor
A = torch.stack(A)
# tensor([ 8., 12.,  1.])

Answer 2

您正在寻找index_add_()

A.index_add_(0, B, C)

注意B的类型应该是torch.long（它是一个索引向量），C的类型应该是torch.float，和A的类型一样。
此外，如果A 和C 是多维张量，您可以使用第一个dim 参数沿不同维度进行求和。