Python 以可并行化的方式在子张量上应用函数（Pytorch）

假设我有一个Pytorch函数

f

，它可以应用于形状张量

shape\u in=（d1，…，dn）

，并返回形状张量

shape\u out

。现在我有一个张量

T

的形状

（其他形状，形状=b1，…，bm，d1，…，dn）

。如何将

f

应用于

T

以可并行化的方式返回形状张量

（other\u shape，shape\u out）

？我不认为仅仅在形状张量的所有元素上循环是最佳的，因为计算可能是按顺序进行的（这是正确的吗？）。我认为Tensorflow中的

map\u fn

确实如此，但我还没有在torch中看到类似的东西。

我认为PyTorch没有Tensorflow中的

map\u fn

那样的东西，根据我们的研究，它似乎没有那么有效。任何矢量化版本都是更好的选择，但没有通用版本，因此这取决于函数

f

的功能。从你给出的例子来看，这看起来像一个矩阵乘法（），因为将一个m x n与一个n x p矩阵相乘会得到一个m x p矩阵。有没有理由不存在一种将函数应用于子传感器的通用方法（除了向量化，这通常是棘手或不可能的）？类似numpy.apply_的内容沿_轴应用。为什么map_fn工作得这么慢？我不认为PyTorch有TensorFlow的

map_fn

，根据我们的研究，它似乎没有那么有效。任何矢量化版本都是更好的选择，但没有通用版本，因此这取决于函数

f

的功能。从你给出的例子来看，这看起来像一个矩阵乘法（），因为将一个m x n与一个n x p矩阵相乘会得到一个m x p矩阵。有没有理由不存在一种将函数应用于子传感器的通用方法（除了向量化，这通常是棘手或不可能的）？类似numpy.apply_的内容沿_轴应用。为什么map_fn工作得这么慢？