PyTorch：高效比较张量并构建Other列表

你想判断 tensor_list[i] 是否与 label_list 中的任何张量相同，并将不同的张量添加到 other_list 中吗？以下是一些可以优化代码的方法：

**原始代码：**pythontarget_similarity = F.cosine_similarity(output, tensor_list[i].unsqueeze(0), dim=1)label_list = [torch.tensor([1, 0, 0, 0]), torch.tensor([0, 1, 0, 0]), torch.tensor([0, 0, 1, 0]), torch.tensor([1, 1, 1, 1])]

other_list = []for label_tensor in label_list: if not torch.all(torch.eq(tensor_list[i], label_tensor)): other_list.append(label_tensor)

打印不是标签的其他张量print(other_list)

**优化后的代码：**pythonimport torchimport torch.nn.functional as F

假设 tensor_list 和 output 已经定义tensor_list = [torch.tensor([1, 0, 0, 0]), torch.tensor([0, 1, 0, 0]), torch.tensor([0, 0, 0, 1]), torch.tensor([1, 1, 1, 1])]output = torch.randn(4)

label_list = [torch.tensor([1, 0, 0, 0]), torch.tensor([0, 1, 0, 0]), torch.tensor([0, 0, 1, 0]), torch.tensor([1, 1, 1, 1])]

使用列表推导式简化代码i = 0 # 假设你想检查 tensor_list 中的第一个张量other_list = [label_tensor for label_tensor in label_list if not torch.all(torch.eq(tensor_list[i], label_tensor))]

打印不是标签的其他张量print(other_list)

代码解释：

1. 计算 target_similarity： 这行代码使用 F.cosine_similarity 计算 output 和 tensor_list[i] 之间的余弦相似度。这部分代码与你的目标无关，可以删除。

2. 定义 label_list： 这行代码定义了一个包含四个张量的列表。

3. 高效构建 other_list： 使用列表推导式，我们可以简洁地迭代 label_list 并仅保留与 tensor_list[i] 不相等的张量。

4. 打印结果： 最后，打印 other_list，其中包含与 tensor_list[i] 不匹配的所有张量。

优势：

• 代码简洁性： 使用列表推导式使代码更易读和理解。- 效率： 列表推导式通常比传统的 for 循环更高效。

希望这个优化后的代码能够帮助你！