如何迭代一组张量并将每个组中的元素传递给函数

Question

假设你有 3 个相同大小的张量：

a = torch.randn(3,3)                    
a = ([[ 0.1945,  0.8583,  2.6479],       
    [-0.1000,  1.2136, -0.3706],
    [-0.0094,  0.4279, -0.6840]])
b = torch.randn(3, 3)
b = ([[-1.1155,  0.2106, -0.2183],
    [ 1.6610, -0.6953,  0.0052],
    [-0.8955,  0.0953, -0.7737]])
c = torch.randn(3, 3)
c = ([[-0.2303, -0.3427, -0.4990],
    [-1.1254,  0.4432,  0.3999],
    [ 0.2489, -0.9459, -0.5576]])

在Lua(火炬7(中，它们具有以下功能：

[self] map2(tensor1, tensor2, function(x, xt1, xt2))

将给定的function应用于self的所有元素。

我的问题是：

1. python(pytorch(中是否有类似的功能？
2. 有没有 pythonic 方法可以在不使用 for loop 和 indices 的情况下迭代 3 个张量并获取每个张量的各个元素？

例如：

0.1945 -1.1155 -0.2303
0.8583 0.2106 -0.3427
2.6479 -0.2183 -0.4990
-0.1000 1.6610 -1.1254
...

Edit_1：我也尝试过 itertools.zip_longest 和 zip，但结果并不像上面提到的我预期的那样

Answer 1

你可以使用类似于你提到的 Python 的map函数。喜欢这个：

>>> tensor_list = [torch.tensor([i, i, i]) for i in range(3)]
>>> list(map(lambda x: x**2, tensor_list))
[tensor([0, 0, 0]), tensor([1, 1, 1]), tensor([4, 4, 4])]
>>> 

编辑：对于仅限PyTorch的方法，您可以使用torch.Tensor.apply_(请注意，这会就地进行更改，并且不会返回新的张量(

>>> x = torch.tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
>>> x.apply_(lambda y: y ** 2)
tensor([[ 1,  4,  9],
        [16, 25, 36],
        [49, 64, 81]])
>>>