Tensorflow 更有效地索引矩阵（避免tf.gather）？

给定两个矩阵A和B（维数为nxk）以及A的指数iA=（a1，a2…aM）和B的指数iB=（b1，b2…bM），我需要执行以下操作：

lp = 0
for a in iA:
    for b in iB:
        lp += np.sum(A[a,] * B[b,])

在张量流中。索引列表有重复，因此我们多次绘制同一行

我当前的实现如下所示：

lp = tf.reduce_sum(tf.multiply(tf.gather(A, iA), tf.gather(B, iB)), 1)

但是，梯度的计算速度非常慢（可能是因为我使用的是tf.gather）。可以假设iA是按升序排序的（因此可以重用特定的行a[a，]，直到“a”更改为止）。 有更好的方法吗？感谢您的帮助

编辑：A和B是tf。变量在这里，每次迭代都会改变。预计算不是一个选项。但iA和iB是常数，不会改变

---

编辑：M>>N.K的大小不是一个真正的问题。

根据索引的密度，只需预先计算计数数组可能是一个好主意。在努比，那将是

counts = np.zeros_like(A)
np.add.at(counts, iA, 1)
np.add.at(counts, iB, 1)

然后，您可以通过简单地乘以此值并求和来计算索引和：

lp = np.sum(counts * A * B)

---

但是，如果

iA

和

iB

都非常稀疏，这将产生相当大的性能开销。如果

iA

或

iB

不是固定的，而是每次迭代都会发生变化，则同样适用。

根据索引的密度，只需预先计算计数数组就可以了。在努比，那将是

counts = np.zeros_like(A)
np.add.at(counts, iA, 1)
np.add.at(counts, iB, 1)

然后，您可以通过简单地乘以此值并求和来计算索引和：

lp = np.sum(counts * A * B)

---

但是，如果

iA

和

iB

都非常稀疏，这将产生相当大的性能开销。如果

iA

或

iB

不是固定的，而是每次迭代都会更改，则同样适用。

作为对我答案的注释。你能告诉我们你们的尺码吗？也就是说，N，K，M有多大？M>>N。K的大小不是一个真正的问题。作为对我答案的评论。你能告诉我们你们的尺码吗？也就是说，N，K，M有多大？M>>N。K的大小并不是一个真正的问题。只要可以预先计算

计数，我的解决方案仍然可以正常工作。这是一个选择吗？嗨。谢谢你的回答，但我想这个问题有点模棱两可。A和B是Tensorflow的tf.变量，在每次传递过程中都会更新，因此lp无法预计算。iA和IB是指数，所以我想答案的第二部分可能没有真正的帮助。预计算计数实际上不是一个选项。谢谢你的时间！非常感谢。此外，iA和iB并不稀少。但是，它们是固定的，在每次迭代期间不会更改。：）只要可以预先计算
计数
，我的解决方案仍然可以正常工作。这是一个选择吗？嗨。谢谢你的回答，但我想这个问题有点模棱两可。A和B是Tensorflow的tf.变量，在每次传递过程中都会更新，因此lp无法预计算。iA和IB是指数，所以我想答案的第二部分可能没有真正的帮助。预计算计数实际上不是一个选项。谢谢你的时间！非常感谢。此外，iA和iB并不稀少。但是，它们是固定的，在每次迭代期间不会更改。：）