Python PyTorch：如何实现图形注意层的注意

我已经实现了的注意（等式1），但它显然没有内存效率，只能在我的GPU上运行单个型号（需要7-10GB）

目前，我有

class MyModule(nn.Module):

def __init__(self, in_features, out_features):
    super(MyModule, self).__init__()
    self.in_features = in_features
    self.out_features = out_features

    self.W = nn.Parameter(nn.init.xavier_uniform(torch.Tensor(in_features, out_features).type(torch.cuda.FloatTensor if torch.cuda.is_available() else torch.FloatTensor), gain=np.sqrt(2.0)), requires_grad=True)
    self.a = nn.Parameter(nn.init.xavier_uniform(torch.Tensor(2*out_features, 1).type(torch.cuda.FloatTensor if torch.cuda.is_available() else torch.FloatTensor), gain=np.sqrt(2.0)), requires_grad=True)

def forward(self, input):
    h = torch.mm(input, self.W)
    N = h.size()[0]

    a_input = torch.cat([h.repeat(1, N).view(N * N, -1), h.repeat(N, 1)], dim=1).view(N, -1, 2 * self.out_features)
    e = F.elu(torch.matmul(a_input, self.a).squeeze(2))
    return e

我计算所有e_ij项的洞察力是

In [8]: import torch

在[9]中：将numpy作为np导入

[10]中：h=火炬式长传感器（np.阵列（[[1,1]，[2,2]，[3,3]]））

In[11]：N=3

[12]：h.重复（1，N）.视图（N*N，-1） 出[12]：

1     1
1     1
1     1
2     2
2     2
2     2
3     3
3     3
3     3

[尺寸为9x2的火炬式传感器]

In[13]：h.重复（N，1） 出[13]：

1     1
2     2
3     3
1     1
2     2
3     3
1     1
2     2
3     3

[尺寸为9x2的火炬式传感器]

最后连接hs和feed矩阵a

---

有没有一种更方便记忆的方法呢？

也许你可以用稀疏张量来存储调整矩阵

def sparse_mx_to_torch_sparse_tensor(sparse_mx):
    """Convert a scipy sparse matrix to a torch sparse tensor."""
    sparse_mx = sparse_mx.tocoo().astype(np.float32)
    indices = torch.from_numpy(np.vstack((sparse_mx.row,
                                          sparse_mx.col))).long()
    values = torch.from_numpy(sparse_mx.data)
    shape = torch.Size(sparse_mx.shape)
    return torch.sparse.FloatTensor(indices, values, shape)