Что является эквивалентом numpy накопления ufunc в pytorch

В numpy я могу сделать следующее:

>>> x = np.array([[False, True, False], [True, False, True]])
>>> z0 = np.logical_and.accumulate(x, axis=0)
>>> z1 = np.logical_and.accumulate(x, axis=1)

Это возвращает следующее:

>>> z0
array([[False,  True, False],
       [False, False, False]])

>>> z1
array([[False, False, False],
       [ True, False, False]])

Каков эквивалент этой операции ufunc в pytorch?

Я не думаю, что существует функция pytorch, которая применяет функцию поочередно, например np.logical_and.accumulate. Вы можете использовать torch.logical_and, чтобы получить общий результат по оси, но это не даст вам скользящих результатов.

— 15.04.2024 18:36

python numpy pytorch numpy-ufunc

15.04.2024 17:26

Почему в Python есть оператор "pass"?

Оператор pass в Python - это простая концепция, которую могут быстро освоить даже новички без опыта программирования.

Некоторые методы, о которых вы не знали, что они существуют в Python

Python - самый известный и самый простой в изучении язык в наши дни. Имея широкий спектр применения в области машинного обучения, Data Science,...

Основы Python Часть I

Вы когда-нибудь задумывались, почему в программах на Python вы видите приведенный ниже код?

LeetCode - 1579. Удаление максимального числа ребер для сохранения полной проходимости графа

Алиса и Боб имеют неориентированный граф из n узлов и трех типов ребер:

Оптимизация кода с помощью тернарного оператора Python

И последнее, что мы хотели бы показать вам, прежде чем двигаться дальше, это

Советы по эффективной веб-разработке с помощью Python

Как веб-разработчик, Python может стать мощным инструментом для создания эффективных и масштабируемых веб-приложений.

Перейти к ответу Данный вопрос помечен как решенный

Ответы 2

Ответ принят как подходящий

Логический and соответствует продукту в двоичном выражении. Для этого вы можете использовать cumprod:

>>> x.cumprod(dim=0).bool()
tensor([[False,  True, False],
        [False, False, False]])

>>> x.cumprod(dim=1).bool()
tensor([[False, False, False],
        [ True, False, False]])

15.04.2024 18:35

Другой способ решить вашу проблему — использовать функцию минимума: если подумать, объединение ряда логических значений с помощью and — это то же самое, что поиск их минимума: если какое-либо значение равно 0/False, результат будет 0/False, в противном случае результат будет 1/True.

В вашем случае, если вы хотите распространить/накопить результат, вы можете использовать функцию cummin():

import torch

x = torch.tensor([[False, True, False], [True, False, True]])

print(x.cummin(dim=0).values)
# tensor([[False,  True, False],
#         [False, False, False]])
print(x.cummin(dim=1).values)
# tensor([[False, False, False],
#         [ True, False, False]])

Преимущество перед cumprod(): ваш результат снова будет логическим, нет необходимости в явном преобразовании (кроме того, расчет может быть немного дешевле/быстрее, но я это не проверял).
Недостаток по сравнению с cumprod(): вам дополнительно потребуется доступ к атрибуту values результата, поскольку cummin() Pytorch (в отличие, например, от Pandas) возвращает результат в виде именованного кортежа (values, indices).

Таким же образом вы можете заменить or (1) функцией максимума, а не функцией минимума, или (2) функцией суммы, а не функцией произведения.

— 19.04.2024 09:21

18.04.2024 19:35