(1024,512)张量的dim=1的数据存在重复该如何防止负样本出现重复

如果你想防止负样本出现重复，可以使用torch.multinomial()函数结合torch.unique()函数来生成不重复的负样本。首先，你可以使用torch.multinomial()函数在dim=1的维度上进行负采样，得到形状为(1024, num_samples)的负样本索引。然后，你可以使用torch.unique()函数获取不重复的负样本索引，并根据这些索引从原始张量中获取对应的负样本。

下面是代码示例：

import torch

# 原始张量
tensor = torch.randn(1024, 512)

# 负采样的数量
num_samples = 3

# 生成负采样索引
negative_samples_indices = torch.multinomial(torch.ones(tensor.size(1)), num_samples=num_samples, replacement=True)
negative_samples_indices = negative_samples_indices.unsqueeze(0).expand(tensor.size(0), -1)

# 获取不重复的负采样索引
unique_negative_samples_indices = torch.unique(negative_samples_indices, dim=1)

# 根据不重复的负采样索引获取相应的负样本
negative_samples = torch.gather(tensor, dim=1, index=unique_negative_samples_indices.unsqueeze(2).expand(-1, -1, tensor.size(2)))

print(negative_samples.shape)

在这个示例中，我们首先使用torch.multinomial()函数生成负采样的索引，其中采样概率都为1。然后，我们使用torch.unique()函数获取不重复的负采样索引。最后，我们使用torch.gather()函数根据不重复的负采样索引从原始张量中获取相应的负样本。

这样，你就可以得到形状为(1024, num_samples, 512)的不重复负样本张量。请注意，如果指定的负采样数量大于原始张量的维度大小，可能会出现重复的负样本。因此，建议根据实际情况选择合适的负采样数量。