PyTorch：从坐标张量到网格张量的可微操作答案

【问题标题】：PyTorch: Differentiable operations to go from coordinate tensor to grid tensorPyTorch：从坐标张量到网格张量的可微操作
【发布时间】：2020-10-21 09:45:33
【问题描述】：

我有一个看起来像的张量

coords = torch.Tensor([[0, 0, 1, 2],
                       [0, 2, 2, 2]])

第一行是网格上对象的 x 坐标，第二行是对应的 y 坐标。

我需要一种可微的方式（即梯度可以流动）从这个张量到相应的“网格”张量，其中 1 表示该位置存在对象（行索引，列索引），0 表示没有对象：

grid = torch.Tensor([[1, 0, 1], 
                     [0, 0, 1],
                     [0, 0, 1]])

一般情况下，coords 可以很大（网格大小为 300x300）。如果coords 是稀疏张量，我可以简单地调用to_dense，但由于特定于我的应用程序的各种原因，我不能将coords 存储为稀疏。此外，我无法从 coords 创建一个新的稀疏张量并在其上调用 to_dense，因为创建一个新的张量是不可微的。

感谢任何帮助！

【问题讨论】：

您能否更具体地了解一种从该张量到相应网格张量的可微方法？
可微分是指梯度可以流动并且不会被操作阻塞（例如创建新张量）。
好的，那么网格将被输入到某个神经网络，坐标是需要通过网格从该神经网络接收梯度的变量？

标签： pytorch linear-algebra gradient-descent

【解决方案1】：

我不确定您所说的“可微分”是什么意思，但这里有一个使用高级索引的简单方法。

coords = coords.long()
grid[coords[0],coords[1]] = 1

tensor([[1., 0., 1.],
        [0., 0., 1.],
        [0., 0., 1.]])

我认为 Torch 没有关于此的详细文档，但 numpy 有 here。（可能与火炬非常相似）

这也是可以的

coords = coords.long()
grid[coords[0],coords[1]] = torch.Tensor([1,2,3,4])

tensor([[1., 0., 2.],
        [0., 0., 3.],
        [0., 0., 4.]])

【讨论】：

感谢您的建议！不幸的是，这也是不可区分的（即梯度不会流动）。
@duncster94 哦，现在我明白你的意思了。对不起。