Python `for`循环到PyTorch中的多维数组

我想用注意力机制来实施问答系统。我有两个输入<代码>上下文和

查询

哪些形状是

（批量大小、上下文大小、embd大小）

和

（批量大小、查询大小、embd大小）

我正在看下面的文章。 使用匹配LSTM和应答指针进行机器理解

然后，我想得到一个注意矩阵，其形状是

（批大小、上下文大小、查询大小、embd大小）

。在论文中，他们计算每一行的值（在论文中是指每一个上下文单词，G_i，alpha_i）

我的代码在下面，它正在运行。但我不确定我的方式是否好。例如，我使用

For loop

生成序列数据（

For I in range（T）：

）。为了获得每一行，我使用了像

G[：，I，：，：]

，

embd_context[：，I，：]这样的就地操作符。clone（）在pytorch中是一种很好的方式吗？如果没有，我应该在哪里更改代码

如果你注意到其他要点，请告诉我。我是这个领域的新手，也是个新手。对不起，我的问题模棱两可

class MatchLSTM(nn.Module):
    def __init__(self, args):
        super(MatchLSTM, self).__init__()
        self.embd_size = args.embd_size
        d = self.embd_size
        self.answer_token_len = args.answer_token_len

        self.embd = WordEmbedding(args)
        self.ctx_rnn   = nn.GRU(d, d, dropout = 0.2)
        self.query_rnn = nn.GRU(d, d, dropout = 0.2)

        self.ptr_net = PointerNetwork(d, d, self.answer_token_len) # TBD

        self.w  = nn.Parameter(torch.rand(1, d, 1).type(torch.FloatTensor), requires_grad=True) # (1, 1, d)
        self.Wq = nn.Parameter(torch.rand(1, d, d).type(torch.FloatTensor), requires_grad=True) # (1, d, d)
        self.Wp = nn.Parameter(torch.rand(1, d, d).type(torch.FloatTensor), requires_grad=True) # (1, d, d)
        self.Wr = nn.Parameter(torch.rand(1, d, d).type(torch.FloatTensor), requires_grad=True) # (1, d, d)

        self.match_lstm_cell = nn.LSTMCell(2*d, d)

    def forward(self, context, query):
        # params
        d = self.embd_size
        bs = context.size(0) # batch size
        T = context.size(1)  # context length 
        J = query.size(1)    # query length

        # LSTM Preprocessing Layer
        shape = (bs, T, J, d)
        embd_context     = self.embd(context)         # (N, T, d)
        embd_context, _h = self.ctx_rnn(embd_context) # (N, T, d)
        embd_context_ex  = embd_context.unsqueeze(2).expand(shape).contiguous() # (N, T, J, d)
        embd_query       = self.embd(query)           # (N, J, d)
        embd_query, _h   = self.query_rnn(embd_query) # (N, J, d)
        embd_query_ex  = embd_query.unsqueeze(1).expand(shape).contiguous() # (N, T, J, d)

        # Match-LSTM layer
        G = to_var(torch.zeros(bs, T, J, d)) # (N, T, J, d)

        wh_q = torch.bmm(embd_query, self.Wq.expand(bs, d, d)) # (N, J, d) = (N, J, d)(N, d, d)

        hidden     = to_var(torch.randn([bs, d])) # (N, d)
        cell_state = to_var(torch.randn([bs, d])) # (N, d)
        # TODO bidirectional
        H_r = [hidden]
        for i in range(T):
            wh_p_i = torch.bmm(embd_context[:,i,:].clone().unsqueeze(1), self.Wp.expand(bs, d, d)).squeeze() # (N, 1, d) -> (N, d)
            wh_r_i = torch.bmm(hidden.unsqueeze(1), self.Wr.expand(bs, d, d)).squeeze() # (N, 1, d) -> (N, d)
            sec_elm = (wh_p_i + wh_r_i).unsqueeze(1).expand(bs, J, d) # (N, J, d)

            G[:,i,:,:] = F.tanh( (wh_q + sec_elm).view(-1, d) ).view(bs, J, d) # (N, J, d) # TODO bias

            attn_i = torch.bmm(G[:,i,:,:].clone(), self.w.expand(bs, d, 1)).squeeze() # (N, J)
            attn_query = torch.bmm(attn_i.unsqueeze(1), embd_query).squeeze() # (N, d) 
            z = torch.cat((embd_context[:,i,:], attn_query), 1) # (N, 2d)

            hidden, cell_state = self.match_lstm_cell(z, (hidden, cell_state)) # (N, d), (N, d)
            H_r.append(hidden)
        H_r = torch.stack(H_r, dim=1) # (N, T, d)

        indices = self.ptr_net(H_r) # (N, M, T) , M means (start, end)
        return indices

我认为你的代码很好。您无法避免循环：
对于范围（t）中的i:
，因为在本文（）的等式（2）中，有一个隐藏状态来自Match LSTM单元，该单元涉及计算
gi
和
alpha_i
向量，并用于计算Match LSTM下一个时间步的输入。因此，您需要为匹配LSTM的每个时间步运行循环，我看不到任何替代方法可以避免
for
循环。
您应该将此提交给。所以，这并不是审查工作代码质量的正确地方。哦，我不知道那个网站。我搬到了那个地方。非常感谢。没问题。你可能应该从这里删除这个问题。谢谢你每一次。是的，我想是的。但我是这一领域的新手，也是一个新手。听到你这么说，我感到很欣慰。我相信这个答案是正确的；任何循环架构的一个问题是，它依赖于以前的时间步骤，因此需要一个for循环来展开