pytorch 计算成对差异：NumPy 与 PyTorch 和不同 PyTorch 版本的结果不正确

Question

假设我有两个数组，我想计算两个相同形状的矩阵的每两行之间的逐行差异，如下所示。这就是程序在 numpy 中的样子，我想在 pytorch 中复制同样的东西。

>>> a = np.array([[1,2,3],[4,5,6]])
>>> b = np.array([[3,4,5],[5,3,2]])
>>> c = a[np.newaxis,:,:] - b[:,np.newaxis,:]
>>> print(c)
[[[-2 -2 -2]
  [ 1  1  1]]

 [[-4 -1  1]
  [-1  2  4]]]

顺便说一句，我用 pytorch 尝试了同样的事情，但它不起作用。无论如何我们可以在 pytorch

中完成同样的事情吗？

>>> import torch
>>> a = torch.from_numpy(a)
>>> b = torch.from_numpy(b)
>>> c1 = a[None,:,:]
>>> c2 = b[:,None,:]
>>> diff = c1 - c2
>>> print(diff.size())
torch.Size([1, 2, 3])

我实际上是在寻找 torch.Size([2,2,3])。（P.S。我也尝试从 pytorch 解压，但它不起作用）。

Answer 1

问题的出现是因为使用了PyTorch 0.1。如果使用 PyTorch 1.0.1，NumPy 的相同操作可以推广到 PyTorch，没有任何修改和问题。这是 Colab 中运行的快照。

正如我们所见，我们确实得到了相同的结果。

这里尝试重现您因获得错误结果而遇到的错误：

>>> t1 = torch.from_numpy(a)
>>> t2 = torch.from_numpy(b)
>>> t1[np.newaxis, ...] - t2[:, np.newaxis, ...]

(0 ,.,.) = 
 -2 -2 -2
 -1  2  4
[torch.LongTensor of size 1x2x3]

>>> torch.__version__
'0.1.12_1'

所以，请将您的 PyTorch 版本升级到 1.0.1！

深入了解详情：

它在PyTorch 0.1版本中不起作用的主要原因是当时广播还没有完全实现。基本上，将张量提升为 3D，然后进行减法可以分两步实现，如（在版本 1.0.1 中）：

>>> t1[:1, ] - t2
>>> tensor([[-2, -2, -2],   # t1_r1
            [-4, -1,  1]])  # t1_r2

>>> t1[1:, ] - t2
>>> tensor([[ 1,  1,  1],   # t2_r1
            [-1,  2,  4]])  # t2_r2

以上两个操作的结果按(t1_r1、t2_r1、t1_r2、t2_r2的顺序堆叠在一起的行，在每一行之后作为 2D 会给我们形状 (2, 2, 3).

现在，在 0.1 版本中尝试执行上述两个步骤，它会抛出错误：

RuntimeError: inconsistent tensor size at /opt/conda/conda-bld/pytorch_1501971235237/work/pytorch-0.1.12/torch/lib/TH/generic/THTensorMath.c:831

Answer 2

我使用的是最新版本的Pytorch 1.0.1。这个解决方案对我有用：


a = torch.tensor([[1,2,3],[4,5,6]])
b = torch.tensor([[3,4,5],[5,3,2]])
c = a.view(1, 2, 3) - b.view(2, 1, 3)
"""
tensor([[[-2, -2, -2],
         [ 1,  1,  1]],

        [[-4, -1,  1],
         [-1,  2,  4]]])
"""
c.size()
"""
torch.Size([2, 2, 3])
"""

pytorch 计算成对差异：NumPy 与 PyTorch 和不同 PyTorch 版本的结果不正确

pytorch compute pairwise difference: Incorrect result in NumPy vs PyTorch and different PyTorch versions

python

numpy

pytorch

tensor

numpy-ndarray

深入了解详情：