在 JAX 中计算词向量移动平均值的最佳方法

Question

假设我有一个形状为 (n_words, model_dim) 的矩阵 W，其中 n_words 是句子中的单词数，model_dim 是 space表示词向量的地方。计算这些向量的移动平均值的最快方法是什么？

例如，window 大小为 2（window 长度 = 5），我可以有这样的东西（这会引发错误 TypeError: JAX 'Tracer' objects do not support item assignment）：

from jax import random
import jax.numpy as jnp

# Fake word vectors (17 words vectors of dimension 32)
W = random.normal(random.PRNGKey(0), shape=(17, 32)) 

ws = 2          # window size
N = W.shape[0]  # number of words

new_W = jnp.zeros(W.shape)

for i in range(N):
    window = W[max(0, i-ws):min(N, i+ws+1)]
    n = window.shape[0]
    for j in range(n):
        new_W[i] += W[j] / n

我想 jnp.convolve 有一个更快的解决方案，但我不熟悉它。

Answer 1

您似乎在尝试进行卷积，因此 jnp.convolve 或类似方法可能是一种更高效的方法。

就是说，您的示例有点奇怪，因为 n 永远不会大于 4，因此您只能访问 W 的前四个元素。此外，您在内循环的每次迭代中都会覆盖先前的值，因此 new_W 的每一行仅包含 W.

的前四行之一的缩放副本

将您的代码更改为我认为您的意思并使用 index_update 使其与 JAX 的不可变数组兼容给出了这个：

from jax import random
import jax.numpy as jnp

# Fake word vectors (17 words vectors of dimension 32)
W = random.normal(random.PRNGKey(0), shape=(17, 32)) 

ws = 2          # window size
N = W.shape[0]  # number of words

new_W = jnp.zeros(W.shape)

for i in range(N):
    window = W[max(0, i-ws):min(N, i+ws)]
    n = window.shape[0]
    for j in range(n):
      new_W = new_W.at[i].add(window[j] / n)

这里是一个更高效的卷积的等价物：

from jax.scipy.signal import convolve
kernel = jnp.ones((4, 1))
new_W_2 = convolve(W, kernel, mode='same') / convolve(jnp.ones_like(W), kernel, mode='same')

jnp.allclose(new_W, new_W_2)
# True

在 JAX 中计算词向量移动平均值的最佳方法

Best way to compute the moving average of word vectors in JAX

python

jax