Python PyTorch相当于索引_add u，取最大值

在PyTorch中，张量的

索引添加

方法使用提供的索引张量进行求和：

idx = torch.LongTensor([0,0,0,0,1,1])
child = torch.FloatTensor([1, 3, 5, 10, 8, 1])
parent = torch.FloatTensor([0, 0])
parent.index_add_(0, idx, child)

前四个子值相加为父值[0]，后两个子值相加为父值[1]，因此结果为

张量（[19,9.]）

但是，我需要做

index\u max\u

，这在API中是不存在的。有没有一种有效的方法（不必循环或分配更多内存）？一个（坏的）循环解决方案是：

for i in range(max(idx)+1):
    parent[i] = torch.max(child[idx == i])

---

这就产生了所需的张量（[10,8.]），但速度非常慢。

一种解决方案，可以使用索引：

def index_max（子分区、idx分区、num分区）：
#构建num\u分区x num\u示例矩阵'idx\u tiled'：
partition_idx=torch.range（0，num_partitions-1，dtype=torch.long）
partition\u idx=partition\u idx.view（-1，1）.expand（num\u partitions，idx.shape[0]）
idx_tiled=idx.view（1，-1）。重复（num_分区，1）
idx_tiled=（idx_tiled==分区.float（）
#即，如果idx[j]==i，则idx_平铺[i，j]==1，否则为0
父项=idx_平铺*子项
父级，u=火炬最大值（父级，尺寸=1）
返回父级

基准：

import timeit
设置=“”
进口火炬
def index_max_v0（子分区、idx分区、num_分区）：
parent=torch.zero（num_分区）
对于范围内的i（最大（idx）+1）：
父[i]=torch.max（子[idx==i]）
返回父级
def index_max（子分区、idx分区、num_分区）：
#构建num_分区x num_采样矩阵'idx_tiled`
#包含索引的每行
partition_idx=torch.range（0，num_partitions-1，dtype=torch.long）
partition\u idx=partition\u idx.view（-1，1）.expand（num\u partitions，idx.shape[0]）
idx_tiled=idx.view（1，-1）。重复（num_分区，1）
idx_tiled=（idx_tiled==分区.float（）
父项=idx_平铺*子项
父级，u=火炬最大值（父级，尺寸=1）
返回父级
idx=火炬长传感器（[0,0,0,0,1,1]）
child=torch.FloatTensor（[1,3,5,10,8,1]）
num_partitions=torch.unique（idx）.shape[0]
'''
打印（最小值（timeit.Timer（'index_max_v0（子分区、idx分区、num_分区）'），设置=设置）。重复（51000）））
# > 0.05308796599274501
打印（最小值（timeit.Timer（'index\u max（子分区、idx分区、num\u分区）），设置=设置。重复（51000）））
# > 0.024736385996220633

这确实更快，但我希望避免分配（num\u分区x num\u样本）临时存储。你认为有没有一种比循环更快的内存效率更高的方法，或者是我们在没有API支持的情况下所能做的最好的方法？是的，这里的内存分配确实是一个缺点。。。我想不出比这更好的方法了，也没有比当前API的循环更好的方法了，尽管我不是完全最新的。。。一个相当于的可能是一个很好的功能在这里。。。