torch/nn - 明智地连接张量元素的数组

Question

这个问题的主题是将神经网络的张量与 Lua 的 torch/nn 和 torch/nngraph 库结合起来。几周前我开始使用 Lua 编码，所以我的经验非常少。在下文中，我将 lua 表称为数组。

上下文

我正在使用循环神经网络进行语音识别。 在网络中的某个点，有N 个m 张量数组。

a = {a1, a2, ..., aM},
b = {b1, b2, ..., bM}, 
... N times

其中ai 和bi 是张量，{} 代表一个数组。

需要做的是按元素连接所有这些数组，以便output 是M 张量的数组，其中output[i] 是第二次连接来自N 数组的每个第 i 个张量的结果维度。

output = {z1, z2, ..., zM}

示例

||用来表示张量

x = {|1 1|, |2 2|}
     |1 1|  |2 2|
     Tensors of size 2x2

y = {|3 3 3|, |4 4 4|}
     |3 3 3|  |4 4 4|
     Tensors of size 2x3
        |
        | Join{x,y}
        \/
z = {|1 1 3 3 3|, |2 2 4 4 4|}
     |1 1 3 3 3|  |2 2 4 4 4|
     Tensors of size 2x5

所以x 的第一个张量大小为 2x2 与y 的第一个张量大小为 2x3 在第二个维度上连接，并且每个数组的第二个张量相同，导致z 一个张量数组 2x5 .

问题

现在这是一个基本的串联，但我似乎无法在 torch/nn 库中找到允许我这样做的模块。我当然可以编写自己的模块，但如果已经存在的模块可以这样做，那么我宁愿使用它。

我知道连接表的唯一现有模块是（显然）JoinTable。它需要一组张量并将它们连接在一起。我想按元素加入张量数组。

此外，当我们向网络提供输入时，N 数组中的张量数量会发生变化，因此上述上下文中的 m 不是恒定的。

想法

为了使用 JoinTable 模块，我认为我可以做的是将我的数组转换为张量，然后将JoinTable 转换为转换后的N 张量。但话又说回来，我需要一个模块来进行这种转换，并且需要另一个模块来转换回数组，以便将其提供给网络的下一层。

不得已

编写一个新模块，迭代所有给定的数组并按元素连接。当然它是可行的，但这篇文章的全部目的是找到一种方法来避免编写有味道的模块。我觉得奇怪的是这样的模块还不存在。

---

结论

我终于决定按照我在不得已中所写的去做。我编写了一个新模块，它遍历所有给定的数组并按元素连接。

不过，@fmguler 给出的答案也是如此，无需编写新模块。

Answer 1

你可以像这样用 nn.SelectTable 和 nn.JoinTable 来做；

require 'nn'

x = {torch.Tensor{{1,1},{1,1}}, torch.Tensor{{2,2},{2,2}}}
y = {torch.Tensor{{3,3,3},{3,3,3}}, torch.Tensor{{4,4,4},{4,4,4}}}

res = {}
res[1] = nn.JoinTable(2):forward({nn.SelectTable(1):forward(x),nn.SelectTable(1):forward(y)})
res[2] = nn.JoinTable(2):forward({nn.SelectTable(2):forward(x),nn.SelectTable(2):forward(y)})

print(res[1])
print(res[2])

如果您希望在模块中完成此操作，请将其包装在 nnGraph 中；

require 'nngraph'

x = {torch.Tensor{{1,1},{1,1}}, torch.Tensor{{2,2},{2,2}}}
y = {torch.Tensor{{3,3,3},{3,3,3}}, torch.Tensor{{4,4,4},{4,4,4}}}

xi = nn.Identity()()
yi = nn.Identity()()
res = {}
--you can loop over columns here>>
res[1] = nn.JoinTable(2)({nn.SelectTable(1)(xi),nn.SelectTable(1)(yi)})
res[2] = nn.JoinTable(2)({nn.SelectTable(2)(xi),nn.SelectTable(2)(yi)})
module = nn.gModule({xi,yi},res)

--test like this
result = module:forward({x,y})
print(result)
print(result[1])
print(result[2])

--gives the result
th> print(result)
{
  1 : DoubleTensor - size: 2x5
  2 : DoubleTensor - size: 2x5
}

th> print(result[1])
 1  1  3  3  3
 1  1  3  3  3
[torch.DoubleTensor of size 2x5]

th> print(result[2])
 2  2  4  4  4
 2  2  4  4  4
[torch.DoubleTensor of size 2x5]