Python 在PyTorch中并行求特征贴图中所有对角线的和

假设我有一个张量形状的

（1，64，128，128）

，我想创建一个

（1，64，255）

张量形状的

（1，64，255）

，保存每个

（128，128）

矩阵的所有对角线的总和（有1个主对角线，下面127个，上面127个对角线，所以总共255个）。我目前正在做的工作如下：

digitized = np.sum(np.indices(a.shape), axis=0).ravel()
digitized_tensor = torch.Tensor(digitized).int()
a_tensor = torch.Tensor(a)
torch.bincount(digitized_tensor, a_tensor.view(-1))

x=torch.rand（1,64,128,128）
diag_sums=火炬零点（1、64、255）
j=0
对于范围内的k（-127128）：
diag_sums[j，：，k+127]=torch.diagonal（x，offset=k，dim1=-2，dim2=-1）。sum（dim=2）

您考虑过使用吗？
可以使用对角过滤器对对角线求和，通过适当的零填充滑动张量

导入火炬
导入torch.nn。功能为nnf
#使用“eye”函数构造一个对角过滤器，并适当地塑造它
f=火炬眼（x.shape[2]）[None，None，…]重复（x.shape[1]，1，1，1）
#使用适当的零填充计算对角线和
conv_diag_sums=nnf.conv2d（x，f，padding=（x.shape[2]-1,0），groups=x.shape[1]）[…，0]

请注意，结果的顺序与您在循环中计算的顺序略有不同：

diag_sums=torch.zero（1,64255）
对于范围内的k（-127128）：
对角线和[j，：，127-k]=火炬.对角线（x，偏移量=k，dim1=-2，dim2=-1）.和（dim=2）
#比较
（conv_diag_sums==diag_sums）。all（）

---

结果与

True

-它们是相同的。

Shai的答案有效，但是由于内核的大尺寸，它看起来有很多乘法。我为我的用例想出了一种方法。它基于Numpy中一个类似问题的答案：

我正在做以下工作：

digitized = np.sum(np.indices(a.shape), axis=0).ravel()
digitized_tensor = torch.Tensor(digitized).int()
a_tensor = torch.Tensor(a)
torch.bincount(digitized_tensor, a_tensor.view(-1))

---

如果我能找到一种完全在PyTorch中实现这一点的方法（不使用Numpy的index函数），那就太好了，但这回答了问题。

我在下面写了一个备选方案。然而，这个答案是可微的，如果用于深度学习，它更适合。