在没有任何就地操作的情况下将 numpy 数组设置为切片
Setting numpy array to slice without any in-place operations
如何在没有任何就地操作的情况下高效地执行此操作？
n_id = np.random.choice(np.arange(2708), size=100)
z = np.random.rand(100, 64)
z_sparse = np.zeros((2708,64))
z_sparse[n_id[:100]] = z
基本上我希望 z_sparse 的 n_id 行包含 z 的行，但我不能做任何就地操作，因为我的最终目标是在 pytorch 问题中使用它。
一种方法是在 z 中精确地创建零行，以便 z 的行最终位于位置 n_id，但不确定这将如何有效地工作。
基本上z的第1行应该放在z_sparse的第n_id[0]行，然后z的第2行应该放在n_id[1]的第n_id[1]行z_sparse，等等...
这是你好奇的PyTorch错误jic：
RuntimeError: one of the variables needed for gradient computation has been modified by an inplace operation
如果n_id是固定索引数组，可以得到z_sparse作为矩阵乘法：
# N, n, m = 2078,100, 64
row_mat = (n_id[:n] == np.arange(N)[:,None])
# for pytorch tensor
# row_mat = Tensor(n_id[:n] == np.arange(N)[:,None])
z_sparse = row_mat @ z
由于 row_mat 是一个常量数组（张量），您的图表应该可以正常工作。
如何在没有任何就地操作的情况下高效地执行此操作？
n_id = np.random.choice(np.arange(2708), size=100)
z = np.random.rand(100, 64)
z_sparse = np.zeros((2708,64))
z_sparse[n_id[:100]] = z
基本上我希望 z_sparse 的 n_id 行包含 z 的行，但我不能做任何就地操作，因为我的最终目标是在 pytorch 问题中使用它。
一种方法是在 z 中精确地创建零行，以便 z 的行最终位于位置 n_id，但不确定这将如何有效地工作。
基本上z的第1行应该放在z_sparse的第n_id[0]行，然后z的第2行应该放在n_id[1]的第n_id[1]行z_sparse，等等...
这是你好奇的PyTorch错误jic：
RuntimeError: one of the variables needed for gradient computation has been modified by an inplace operation
如果n_id是固定索引数组，可以得到z_sparse作为矩阵乘法：
# N, n, m = 2078,100, 64
row_mat = (n_id[:n] == np.arange(N)[:,None])
# for pytorch tensor
# row_mat = Tensor(n_id[:n] == np.arange(N)[:,None])
z_sparse = row_mat @ z
由于 row_mat 是一个常量数组（张量），您的图表应该可以正常工作。