Machine learning 如何在PYTORCH中实现两层嵌套FOR循环？

我正在学习在Pytorch中实现因子分解机。 应该有一些特征交叉操作。 例如，我有三个特性[A，B，C]，在嵌入之后，它们是[vA，vB，vC]，所以特性交叉点是“[vA.vB]，[vA.vC]，[vB.vC]”

我知道可以通过以下方式简化此操作：

它可以通过矩阵运算来实现。 但这只会给出一个最终结果，比如说，一个值

问题是，如何在不执行FOR循环的情况下获得以下所有交叉向量： 注：“特征\u emb”的大小为[批量大小x特征长度x嵌入大小]

    g_feature = 0 
    for i in range(self.featurn_len):
        for j in range(self.featurn_len):
            if j <= i: continue
            cross_vec = feature_emb[:,i,:] * feature_emb[:,j,:]       
            g_feature += torch.sum(cross_vec, dim=1)

g_功能=0
对于范围内的i（自特性）：
对于范围内的j（自特性）：
如果j你可以

cross_vec = (feature_emb[:, None, ...] * feature_emb[..., None, :]).sum(dim=-1)

这将为您提供形状
（批次大小、特征、特征）的
corss\u-vec

或者，您可以使用

请不要发布截图，而是复制粘贴文本。因此无法在屏幕截图中索引文本。
A
和
vA
或您的
feature\u emb
和
cross\u vec
？A:batch\u size x feature\u len vA:batch\u size x feature\u len x embedding\u size您的解决方案会给出“点”结果。我有“如果j@JinyangLiu输出矩阵
corss\u vec
是对称的，你可以简单地取矩阵的上/下正则部分。太好了！然后使用
cross\u vec[：，torch.triu（torch.ones（feature\u len，feature\u len），diagonal=1，：]
，我得到了我想要的！！！还有一个问题！如果我想得到答案，也就是说，得到```（批量大小，（特征长度*（特征长度-1））/2，嵌入大小*2）``作为结果。
cross_vec = torch.bmm(feature_emb, feature_emb.transpose(1, 2))