如何从一个内容张量和另一个索引构建张量？
How to build a tensor from one tensor of contents and another of indices?
我正在尝试 assemble 基于其他两个张量的内容的张量，如下所示：
我有一个名为 A 的二维张量，形状为 I * J，还有另一个名为 B 的二维张量，形状为 M * N，其元素是 A 的第一维的索引。
我想获得一个形状为 M * N * J 的 3D 张量 C，使得 [0, M) 中的所有 m 和 [0, N) 中的 n) 的 C[m,n,:] == A[B[m,n],:]。
我可以使用嵌套for循环迭代M和N中的所有索引，在每个索引处为C分配正确的值，但M和N很大所以这很慢。我怀疑有一些更好、更快的方法可以使用巧妙的切片或内置的 pytorch 函数来执行此操作，但我不知道它会是什么。它看起来有点像在某个地方使用 torch.gather()，但这需要所有张量具有相同的维数。有谁知道应该怎么做？
编辑：torch.index_select(input, dim, index) 几乎是我想要的，但它在这里不起作用，因为它要求 index 是一维张量，而我的索引张量是二维的。
您可以通过展平第一个维度来实现这一点，让您索引 A。恢复最终形状需要广播
>>> A[B.flatten(),:].reshape(*B.shape, A.size(-1))
索引 A[B.flatten(),:] 等同于 torch.index_select(A, 0, B.flatten()).
我正在尝试 assemble 基于其他两个张量的内容的张量，如下所示：
我有一个名为 A 的二维张量，形状为 I * J，还有另一个名为 B 的二维张量，形状为 M * N，其元素是 A 的第一维的索引。
我想获得一个形状为 M * N * J 的 3D 张量 C，使得 [0, M) 中的所有 m 和 [0, N) 中的 n) 的 C[m,n,:] == A[B[m,n],:]。
我可以使用嵌套for循环迭代M和N中的所有索引，在每个索引处为C分配正确的值，但M和N很大所以这很慢。我怀疑有一些更好、更快的方法可以使用巧妙的切片或内置的 pytorch 函数来执行此操作，但我不知道它会是什么。它看起来有点像在某个地方使用 torch.gather()，但这需要所有张量具有相同的维数。有谁知道应该怎么做？
编辑：torch.index_select(input, dim, index) 几乎是我想要的，但它在这里不起作用，因为它要求 index 是一维张量，而我的索引张量是二维的。
您可以通过展平第一个维度来实现这一点，让您索引 A。恢复最终形状需要广播
>>> A[B.flatten(),:].reshape(*B.shape, A.size(-1))
索引 A[B.flatten(),:] 等同于 torch.index_select(A, 0, B.flatten()).