Есть ли эффективный подход в Pytorch для регрессии с несколькими выходами, где входы чередуются любую другую функцию (то ⇐ Python

[Anonymous]

Я ищу самый быстрый способ, по сути, предсказать вращающиеся значения N, эффективно, другие функции N-1. Я могу концептуализировать способ сделать это с помощью цикла и объяснить это ниже. Вполне может быть матричная операция, я не знаю, что делает это, и я просто не знаю имя для него.
# Training Data
users, item1, item2, item3
one , 1 , 2 , 1
two , 1 , 4 , 3
thr , 1 , 2 , 5

# Prediction example
pred , x , y , z
< /code>
В этом примере я пытаюсь предсказать классы n = 3; n - количество функций. Один из способов, которым я мог бы приблизиться к этому, заключается в том, чтобы сделать традиционный NN с input_size = n, а затем использовать маску. < /P>
toy_data = ... # what you see up there
model = model(input_size=num_of_cols) # traditional Torch NN

for epoch in epochs:
for col_index in num_of_cols:
mask_toy_data = mask_col_at_idx(toy_data, col_index)

# Basically, make prediction without nth col features
pred = model.forward(mask_toy_data)

# Loss is only on predictions on nth column
mask_pred = mask_cols_at_all_other_idx(pred, col_index)
mask_toy_data_for_loss = mask_cols_at_all_other_ix(toy_data, col_index)

loss = mask_pred - mask_toy_data_for_loss
... # backprop, etc.

def mask_col_at_idx(data, col_idx):
# 0 out every value in the column idx

def mask_cols_at_all_other_idx(data, col_idx):
# 0 out every other col, besides the given one

< /code>
Этот подход был бы совершенно хорошим, если бы у вас было только три столбца. Но как я мог бы подойти к этому, если у меня есть сотни или тысячи? A для цикла над каждым столбцом не кажется осуществимым.

Подробнее здесь: https://stackoverflow.com/questions/794 ... where-inpu