Pytorch 未找到有效的Pytork广播

我的实现中有以下代码片段。有一个包含3个循环的嵌套for循环。在主代码中，原始系统的三维坐标作为点的一维矢量进行叠加，对于具有坐标（x，y，z）的点，采样单元将类似于

Predictions =[...x,y,z,...]

然而，对于我的计算，我需要重塑预测向量为2D矩阵，预测重塑[I][0]=x，预测重塑[I][1]=y预测重塑[I][2]=z 其中i是矩阵中的任何样本行

prediction\u reformed

。 下面的代码显示了逻辑

prediction_reshaped=torch.zeros([batch,num_node,dimesion])
    for i in range(batch):
        for j in range(num_node):
            for k in range(dimesion):
                prediction_reshaped[i][j][k]=prediction[i][3*j+k]

他们有没有有效的广播来避免这三个嵌套循环？它减慢了我的代码速度。改造不符合我的目的。

---

代码是使用Pytork实现的，所有矩阵都是Pytork张量，但任何numpy解决方案也会有所帮助。

这应该可以完成这项工作

导入火炬
批次=2
节点数=4
x=火炬.rand（批次，数量节点*3）
#张量（[[0.8076,0.2572,0.7100,0.4180,0.6420,0.4668,0.8915,0.0366,0.5704，
#          0.0834, 0.3313, 0.9080],
#         [0.2925, 0.7367, 0.8013, 0.4516, 0.5470, 0.5123, 0.1929, 0.4191,  0.1174,
#          0.0076, 0.2864, 0.9151]])
x=x.重塑（批处理，数量节点，3）
#张量（[[0.8076,0.2572,0.7100]，
#         [0.4180, 0.6420, 0.4668],
#         [0.8915, 0.0366, 0.5704],
#         [0.0834, 0.3313, 0.9080]],
#
#        [[0.2925, 0.7367, 0.8013],
#         [0.4516, 0.5470, 0.5123],
#         [0.1929, 0.4191, 0.1174],
#         [0.0076, 0.2864, 0.9151]]])