要得到一个包含D维正定矩阵C(在我的情况下是多元高斯的微分熵(的行列式的可微项，我可以使用：
torch.log2(torch.potrf(C).diag()).sum() + D / 2.0 * (np.log2(2 * np.pi * np.e))
potrf(C)执行Cholesky分解，其对角元素的对数值和对数行列式除以2。
我想对一小批矩阵调用potrf，这样对形状为(N, D, D)的张量调用potrf就会产生N不同的Cholesky分解。
目前，我只能在Python循环中重复调用potrf()，这是对GPU并行计算能力的不良利用，因此运行速度比CPU慢约3倍。
有可能在GPU上与PyTorch并行启动Cholesky分解吗？
PyTorch中现在提供了批量Cholesky分解
连同批反转((等
对于Pytorch的旧版本
您正在寻找批量Cholesky分解。它目前还没有在Pytorch中实现，但有一个悬而未决的问题，并计划在未来添加它。
我只知道Pytorch 0.4中提供的Batch LU因子分解。你可以用它来获得类似的东西：
det(D) = det(P)det(L)det(U)
其中p的行列式是CCD_ 9，p和U的行列式是对角元素的乘积。
从版本1.8开始，PyTorch对numpy风格的torch.linalg操作有原生支持，包括Cholesky分解：
torch.linalg.cholesky(input)
注意：当CUDA设备上有输入时，此功能会使该设备与CPU同步。