Python: Vectorize de Cálculo Implementado utilizando a Abordagem Iterativa

Pois você está lidando com três dimensões n, me c (em letras minúsculas para evitar ambigüidade), pode ser útil para alterar a forma de todos os seus tensores para (n, m, c), replicando seus valores sobre a falta de dimensão (por exemplo, M(m, c) torna-se M(n, m, c)).

No entanto, você pode ignorar o explícito de replicação e o uso de radiodifusão, por isso, é suficiente para unsqueeze a falta de dimensão (por exemplo, M(m, c) torna-se M(1, m, c).

Dadas estas considerações, a vetorização de o código fica da seguinte forma

cond = y.unsqueeze(2) == torch.arange(M.size(dim=1)).unsqueeze(0)
pos = ds.unsqueeze(2) * M.unsqueeze(1) * cond
neg = ds.unsqueeze(2) * M.unsqueeze(1).sum(dim=0, keepdim=True) * ~cond
grad += (pos - neg).sum(dim=0)

Aqui está um pequeno teste para verificar a validade da solução

import torch

n, m, c = 11, 5, 7

y = torch.randint(c, size=(n, 1))
ds = torch.rand(n, m)
M = torch.randint(2, size=(n, c))
grad = torch.rand(m, c)


def slow_grad(y, ds, M, grad):
    for i in range(M.size(dim=1)):
        for j in range(ds.size(dim=0)):
            if y[j] == i:
                grad[:,i] = grad[:,i] - (ds[j,:].T * sum(M[j,:]))
            else:
                if M[j,i] > 0:
                    grad[:,i] = grad[:,i] + ds[j,:].T
    return grad


def fast_grad(y, ds, M, grad):
    cond = y.unsqueeze(2) == torch.arange(M.size(dim=1)).unsqueeze(0)
    pos = ds.unsqueeze(2) * M.unsqueeze(1) * cond
    neg = ds.unsqueeze(2) * M.unsqueeze(1).sum(dim=0, keepdim=True) * ~cond
    grad += (pos - neg).sum(dim=0)
    return grad
  
# Assert equality of all elements function outputs, throws an exception if false
assert torch.all(slow_grad(y, ds, M, grad) == fast_grad(y, ds, M, grad))

Sinta-se livre para testar em outros casos bem!