如何将pytorch张量中的元素映射到id？

Question

给定一个张量：

A = torch.tensor([2., 3., 4., 5., 6., 7.])

然后，给每个元素A一个 id：

id = torch.arange(A.shape[0], dtype = torch.int)   # tensor([0,1,2,3,4,5])

换句话说，2.in的idA为0，3.in的idA为1：

2. -> 0
3. -> 1
4. -> 2
5. -> 3
6. -> 4
7. -> 5

然后，我有一个新的张量：

B = torch.tensor([3., 6., 6., 5., 4., 4., 4.])

在pytorch中，Pytorch中有什么方法可以将B中的每个元素映射到id吗？换句话说，我想获取tensor([1, 4, 4, 3, 2, 2, 2])，其中每个元素都是 中元素的 id B。

Answer 1

我认为 PyTorch 中没有这样的函数来映射张量。

B通过比较每个值 from和 value from 来解决这个问题似乎很不合理B。

以下是解决此问题的两种可能的解决方案。

使用字典作为地图

你可以使用字典。并不是纯粹的 PyTorch解决方案，但很可能是最快、最安全的方法......

只需创建一个字典将每个元素映射到一个 id，然后用它来映射B：

>>> map = {x.item(): i for i, x in enumerate(A)}

>>> torch.tensor([map[x.item()] for x in B])
tensor([1, 4, 4, 3, 2, 2, 2])

改变基础方法

仅使用 s 的替代方案torch.Tensor。这将要求您想要映射的值（其内容）A为整数，因为它们将用于索引张量。

1. 将 的内容编码A为 one-hot 编码：

   >>> A_enc = torch.zeros((int(A.max())+1,)*2)
   >>> A_enc[A, torch.arange(A.shape[0])] = 1
   
   >>> A_enc
   tensor([[0., 0., 0., 0., 0., 0., 0., 0.],
           [0., 0., 0., 0., 0., 0., 0., 0.],
           [1., 0., 0., 0., 0., 0., 0., 0.],
           [0., 1., 0., 0., 0., 0., 0., 0.],
           [0., 0., 1., 0., 0., 0., 0., 0.],
           [0., 0., 0., 1., 0., 0., 0., 0.],
           [0., 0., 0., 0., 1., 0., 0., 0.],
           [0., 0., 0., 0., 0., 1., 0., 0.]])
   

2. 我们将使用A_enc作为映射整数的基础：

   >>> v = torch.argmax(A_enc, dim=0)
   tensor([0, 0, 0, 1, 2, 3, 4, 5])
   

3. 现在，给定一个整数，例如x=3，我们可以将其编码为 one-hot-encoding：x_enc = [0, 0, 0, 1, 0, 0, 0, 0]。然后，使用v它来绘制地图。使用简单的点积，您可以获得 的映射x_enc： 这里<v/x_enc>给出了1所需的结果（mapped- 的第一个元素B）。但我们将计算和x_enc之间的矩阵乘法，而不是给出。首先编码，然后计算矩阵乘法x ：vBBvB_enc

   >>> B_enc = torch.zeros(A_enc.shape[0], B.shape[0])
   >>> B_enc[B, torch.arange(B.shape[0])] = 1
   
   >>> B_enc
   tensor([[0., 0., 0., 0., 0., 0., 0.],
           [0., 0., 0., 0., 0., 0., 0.],
           [0., 0., 0., 0., 0., 0., 0.],
           [1., 0., 0., 0., 0., 0., 0.],
           [0., 0., 0., 0., 1., 1., 1.],
           [0., 0., 0., 1., 0., 0., 0.],
           [0., 1., 1., 0., 0., 0., 0.],
           [0., 0., 0., 0., 0., 0., 0.]])
   
   >>> v@B_enc.long()
   tensor([1, 4, 4, 3, 2, 2, 2])
   

注意- 您必须使用Long类型定义张量。