PyTorch：使用一维张量和多通道 (3-D) 图像张量执行 add/sub/mul 操作
PyTorch: Perform add/sub/mul operations using 1-D tensor and multi-channel (3-D) image tensor
注意：我正在寻找 fastest/optimal 做或改进的方法，因为我的限制是时间
使用 PyTorch，我有一个图像作为 3D 张量，假设尺寸为 64 x 400 x 400，其中 64 指的是通道，400 是图像尺寸。有了这个，我有一个 64 长度的一维张量，所有张量都有不同的值，目的是每个通道使用一个值。我想使用每个 1D 张量的值来应用于通道的整个 400x400 块。因此，例如，当我想添加 3d_tensor + 1d_tensor 时，我希望将 1d_tensor[i] 添加到 3d_tensor[i] 中的所有 400x400 = 160000 个值，其中 [i] 的范围从 0 到 63。
我之前做过的：
我试着直接做，只使用运算符：
output_add = 1d_tensor + 3d_tensor
这返回了 3d_tensor (400) 和 1d_tensor (64) 的维度不兼容的错误。
所以我当前的表单使用的是 for 循环
for a, b in zip(3d_tensor, 1d_tensor):
a += b
然而，在一个阶段，我有四个不同的一维张量同时用于加法、减法或乘法，那么这种 for 循环方法是否最有效？我还计划每张图片重复 20 次以上，所以速度是关键。我也试过将 1d 张量扩展到 64 x 400 x 400 的维度，所以它可以直接使用，但我无法使用 tensor.repeat()
您应该向一维数组添加一些维度：从 64 转换为 (64 x 1 x 1)：
output_add = 1d_tensor[:, None, None] + 3d_tensor
使用此 None 类型索引，您可以在任何位置添加维度。
[:, None, None] 将在现有维度之后向一维数组添加两个附加维度。
或者您可以使用 view 获得相同的结果，请参阅：
output_add = 1d_tensor.view(-1, 1, 1) + 3d_tensor
结果与 3D 数组具有相同的维度：(64, 1, 1)。所以pytorch可以使用广播
这里有一个很好的广播解释：
注意：我正在寻找 fastest/optimal 做或改进的方法，因为我的限制是时间
使用 PyTorch，我有一个图像作为 3D 张量，假设尺寸为 64 x 400 x 400，其中 64 指的是通道，400 是图像尺寸。有了这个，我有一个 64 长度的一维张量，所有张量都有不同的值，目的是每个通道使用一个值。我想使用每个 1D 张量的值来应用于通道的整个 400x400 块。因此，例如，当我想添加 3d_tensor + 1d_tensor 时，我希望将 1d_tensor[i] 添加到 3d_tensor[i] 中的所有 400x400 = 160000 个值，其中 [i] 的范围从 0 到 63。
我之前做过的：
我试着直接做，只使用运算符：
output_add = 1d_tensor + 3d_tensor
这返回了 3d_tensor (400) 和 1d_tensor (64) 的维度不兼容的错误。
所以我当前的表单使用的是 for 循环
for a, b in zip(3d_tensor, 1d_tensor):
a += b
然而，在一个阶段，我有四个不同的一维张量同时用于加法、减法或乘法，那么这种 for 循环方法是否最有效？我还计划每张图片重复 20 次以上，所以速度是关键。我也试过将 1d 张量扩展到 64 x 400 x 400 的维度，所以它可以直接使用，但我无法使用 tensor.repeat()
您应该向一维数组添加一些维度：从 64 转换为 (64 x 1 x 1)：
output_add = 1d_tensor[:, None, None] + 3d_tensor
使用此 None 类型索引，您可以在任何位置添加维度。
[:, None, None] 将在现有维度之后向一维数组添加两个附加维度。
或者您可以使用 view 获得相同的结果，请参阅：
output_add = 1d_tensor.view(-1, 1, 1) + 3d_tensor
结果与 3D 数组具有相同的维度：(64, 1, 1)。所以pytorch可以使用广播
这里有一个很好的广播解释：