for-loop – 在torch7中初始化张量的快速方法

for-loop – 在torch7中初始化张量的快速方法,第1张

概述我需要在torch7中初始化具有索引相关函数的3D张量,即 func = function(i,j,k) --i, j is the index of an element in the tensor return i*j*k --do operations within func which're dependent of i, jend 然后我初始化一个像这样的3D张 我需要在torch7中初始化具有索引相关函数的3D张量,即

func = function(i,j,k)  --i,j is the index of an element in the tensor    return i*j*k        --do operations within func which're dependent of i,jend

然后我初始化一个像这样的3D张量A:

for i=1,A:size(1) do    for j=1,A:size(2) do        for k=1,A:size(3) do            A[{i,k}] = func(i,k)        end    endend

但是这段代码运行得非常慢,我发现它占总运行时间的92%.有没有更有效的方法来初始化火炬7中的3D张量?

解决方法 请参阅 Tensor:apply的文档

These functions apply a function to each element of the tensor on
which the method is called (self). These methods are much faster than
using a for loop in Lua.

docs中的示例基于其索引i(在内存中)初始化2D数组.下面是3维的扩展示例,低于N-D张量的扩展示例.在我的机器上使用apply方法要快得多:

require 'torch'A = torch.Tensor(100,100,1000)B = torch.Tensor(100,1000)function func(i,k)     return i*j*k    endt = os.clock()for i=1,k}] = i * j * k        end    endendprint("Original time:",os.difftime(os.clock(),t))t = os.clock()function forindices(A,func)  local i = 1  local j = 1  local k = 0  local d3 = A:size(3)  local d2 = A:size(2)   return function()    k = k + 1    if k > d3 then      k = 1      j = j + 1      if j > d2 then        j = 1        i = i + 1      end    end    return func(i,k)  endendB:apply(forindices(A,func))print("Apply method:",t))

编辑

这适用于任何Tensor对象:

function tabulate(A,f)  local IDx = {}  local ndims = A:dim()  local dim = A:size()  IDx[ndims] = 0  for i=1,(ndims - 1) do    IDx[i] = 1  end  return A:apply(function()    for i=ndims,-1 do      IDx[i] = IDx[i] + 1      if IDx[i] <= dim[i] then        break      end      IDx[i] = 1    end    return f(unpack(IDx))  end)end-- usage for 3D case.tabulate(A,function(i,k) return i * j * k end)
总结

以上是内存溢出为你收集整理的for-loop – 在torch7中初始化张量的快速方法全部内容,希望文章能够帮你解决for-loop – 在torch7中初始化张量的快速方法所遇到的程序开发问题。

如果觉得内存溢出网站内容还不错,欢迎将内存溢出网站推荐给程序员好友。

欢迎分享,转载请注明来源:内存溢出

原文地址: http://outofmemory.cn/langs/1228064.html

(0)
打赏 微信扫一扫 微信扫一扫 支付宝扫一扫 支付宝扫一扫
上一篇 2022-06-05
下一篇 2022-06-05

发表评论

登录后才能评论

评论列表(0条)

保存