pytorch torch.where用法

最新推荐文章于 2024-01-22 10:51:55 发布
最新推荐文章于 2024-01-22 10:51:55 发布
阅读量3.6w 收藏 31
点赞数 24
分类专栏： pytorch 文章标签： pytorch
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Orientliu96/article/details/104827391
版权

pytorch torch.where()函数用法

torch.where(condition, x, y) → Tensor

函数的作用

根据条件，返回从x,y中选择元素所组成的张量。如果满足条件，则返回x中元素。若不满足，返回y中元素。
在这里插入图片描述

例子

在这里插入图片描述

orientliu96
关注
  • 24
    点赞
  • 踩
  • 31
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
torch.where()两种用法
仙男
09-15 569
官方文档中只给了第一种用法。根据条件condition，从input,other中选择元素f返回。如果满足条件，则返回input元素。若不满足，返回other元素。还有一种用法是通过where返回张量中满足条件condition的坐标，以二维张量为例。
浅谈Pytorch torch.optim优化器个性化的使用
12-20
一、简化前馈网络LeNet import torch as t class LeNet(t.nn.Module): def __init__(self): super(LeNet, self).__init__() self.features = t.nn.Sequential( t.nn.Conv2d(3, 6, 5), t.nn.ReLU(), t.nn.MaxPool2d(2, 2), t.nn.Conv2d(6, 16, 5), t.nn.ReLU(), t.nn.MaxPool2d(2, 2) ) # 由于调整shape并不是一
torch.where用法
qq_36892712的博客
08-18 391
是 PyTorch 中的一个函数，用于根据给定条件从两个张量中选择元素并返回一个新的张量。condition: 一个布尔型的张量，用于指定选择元素的条件。当条件为 True 时，选择x中对应位置的元素，否则选择y中对应位置的元素。x: 一个张量，表示条件为 True 时要选择的元素。y: 一个张量，表示条件为 False 时要选择的元素。返回一个新的张量，根据条件选择x或y中的元素。
torch.where()函数
最新发布
weixin_43941438的博客
01-22 1614
是 PyTorch 库中的一个函数，用于根据给定的条件返回输入张量中满足条件的元素的索引。张量中为True的元素索引是0和2，所以返回的索引张量是。中取对应的元素，即1和3；中取对应的元素，即5和7。
pytorch学习笔记（五）--tensor的高阶操作
ThetaQing的博客
07-12 755
where torch.where(condition,x,y)
【Python】torch.where()解析
Danger的博客
03-07 2212
【Python】torch.where()解析
torch.where()用法
euqlll的博客
11-10 1万+
本文主要讲述的两种用法，第一种是最常规的，也是官方文档所注明的；第二种就是配合bool型张量的计算以上就是torch.where()的两种用法
【Torch API】pytorch中的torch.where()函数详解
devil_son1234的博客
01-04 8792
pytorch中的torch.where()函数详解
torch.where()的用法以及例子
热门推荐
凝眸伏笔的博客
01-09 5万+
1.用法 torch.where()函数的作用是按照一定的规则合并两个tensor类型。 torch.where(condition，a，b)其中 输入参数condition：条件限制，如果满足条件，则选择a，否则选择b作为输出。 注意：a和b是tensor. 2.例子 import torch a = torch.tensor([[0.0349, 0.0670, -0.0612, 0.0280, -0.0222, 0.0422], [-1.6719, 0.1242,
torch.where()函数详解
lxhRichard的博客
11-20 2407
最近查了一些关于 torch.where() 函数的相关解释，有的高赞说torch.where()函数的作用是按照一定的规则合并两个tensor类型。其实合并这个词用的很不恰当，解释的很牵强。通过查找官方文档，整理一下对这个函数进行解释。
torch.where(),np.where()的两种用法，以及np.argwhere()寻找张量（tensor）和数组中为0的索引
weixin_45791990的博客
03-13 3203
torch.where(),np.where()的两种用法，以及np.argwhere()寻找张量(tensor)和数组中为0的索引
对PyTorch torch.stack的实例讲解
01-01
不是concat的意思 import torch a = torch.ones([1,2]) b = torch.ones([1,2]) torch.stack([a,b],1) (0 ,.,.) = 1 1 1 1 [torch.FloatTensor of size 1x2x2] 以上这篇对PyTorch torch.stack的实例讲解就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持软件开发网。 您可能感兴趣的文章:对pytorch网络层结构的数组化详解pytorch对可变长度序列的处理方法详解pytorch
PyTorch的torch.cat用法
09-16
主要介绍了PyTorch的torch.cat用法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
浅谈pytorch torch.backends.cudnn设置作用
12-20
cuDNN使用非确定性算法，并且可以使用torch.backends.cudnn.enabled = False来进行禁用 如果设置为torch.backends.cudnn.enabled =True，说明设置为使用使用非确定性算法 然后再设置： torch.backends.cudnn.benchmark = true 那么cuDNN使用的非确定性算法就会自动寻找最适合当前配置的高效算法，来达到优化运行效率的问题 一般来讲，应该遵循以下准则： 如果网络的输入数据维度或类型上变化不大，设置  torch.backends.cudnn.benchmark = true  可以增加运行效率；
Pytorch distributed RuntimeError: Address already in use
Orientliu96的博客
03-01 2万+
Pytorch distributed RuntimeError: Address already in use 如果是使用pytorch distributed 单机多卡训练方式，出现该错误，非常好解决。 Traceback (most recent call last): File "main1.py", line 279, in <module> train(args...
subprocess.CalledProcessError: Command '['/home/labpos/anaconda3/envs/idr/bin/python', '-u', 'main_d
Orientliu96的博客
04-07 2万+
subprocess.CalledProcessError: Command ‘[’/home/labpos/anaconda3/envs/idr/bin/python’, ‘-u’, ‘main_distribute.py’, ‘–local_rank=1’]’ returned non-zero exit status 1. pytorch DistributedDataParallel训练时...
ImportError: /lib64/libm.so.6: version `GLIBC_2.27‘ not found
Orientliu96的博客
06-30 1万+
ImportError: /lib64/libm.so.6: version `GLIBC_2.27’ not found (required by /home/labpos/anaconda3/envs/rpmnet/lib/python3.6/site-packages/open3d/open3d_pybind.cpython-36m-x86_64-linux-gnu.so) 这应该是open3d版本不兼容引起的，将版本卸载，重新安装0.9版本的open3d。 conda install -c ope
如何快速安装低版本pytorch0.4.1和对应的torchvision
Orientliu96的博客
12-26 7864
如何快速安装低版本pytorch0.4.1和对应的torchvision 做深度学习时候，经常需要跑别人的模型。但是大家使用的pytorch或tensorflow版本不同。有的甚至版本很落后，这就需要我们去搭建相应旧版本的环境。 例如，使用anaconda创建虚拟环境安装不同深度学习框架 。首先安装低版本的pytorch 最常见的安装pytorch命令为 conda install pytorch...
torch.where 为什么这么慢呢,有没有替换的方法?
07-15
### 回答1： torch.where 函数之所以比较慢，主要是因为它必须根据条件元素逐个判断，并在每个位置上选择张量 A 中的元素或张量 B 中的元素。这种逐元素操作会导致较高的计算复杂度和较低的计算效率，尤其是当张量的规模较大时。 如果你想避免 torch.where 函数的慢速问题，可以考虑使用其他更高效的方式来实现替换操作。以下是一些可能的替代方法： 1. 利用 torch.masked_fill() 函数：该函数可以根据一个逻辑掩码来替换张量中的元素。你可以首先创建一个与条件张量形状相同的掩码张量，然后利用掩码张量进行替换操作。 2. 使用逻辑运算符和布尔索引：你可以利用布尔索引的方式来选择满足条件的元素，然后用指定值进行替换。比如，可以通过 `A[A > threshold] = value` 的方式，在条件 A > threshold 下将满足条件的元素替换为 value。 3. 考虑使用 NumPy 替代：NumPy 库的逻辑判断与替换操作在某些情况下可能更快。你可以将张量转换为 NumPy 数组，执行相应的操作，然后再将结果转换回 Torch 张量。 需要注意的是，不同的替代方法在实现上可能有所差异，具体效率的高低可能会受到输入数据的规模和特点的影响。因此，针对不同的应用场景，可以尝试不同的替代方法，以寻找到最适合的实现方式。 ### 回答2： torch.where是PyTorch提供的一个函数，用于根据条件在两个张量之间进行元素级别的选择操作。它的性能较慢可能有以下几个原因： 首先，torch.where实现了一个动态的选择操作，即它根据元素的条件动态地选择从哪个输入张量中取值。这个过程涉及到逻辑判断和索引操作，在大规模的数据集上操作时，会导致较多的计算量，影响速度。 其次，torch.where是一个通用的函数，适用于所有类型的张量，包括浮点数、整数和布尔值等。为了实现通用性，需要进行额外的类型和条件判断，可能使得函数的执行效率较低。 另外，torch.where可能还在后台进行了广播操作，以保证两个输入张量的维度一致。广播操作会增加计算的复杂度，进而影响速度。 如果需要替换torch.where以提高速度，可以考虑以下方法： 1. 使用逻辑运算符（如torch.logical_and、torch.logical_or等）结合索引操作进行条件判断和选择。 2. 对于特定的条件判断，可以使用更加专门的函数来替代，例如torch.masked_select和torch.index_select等。 根据具体的需求，选择合适的替代方法能够更好地提高执行效率。 ### 回答3： torch.where 函数在处理大规模数据时可能会比较慢是因为其实现方式涉及了较多的运算和内存操作。使用 torch.where 函数时，需要同时考虑目标 tensor，条件 tensor 和替代 tensor 的计算和内存开销，这可能导致性能较低。 如果想要替换 torch.where 函数并提高性能，可以考虑以下方法： 1. 使用 torch.masked_fill() 函数替代 torch.where()。torch.masked_fill() 函数允许对满足条件的元素进行原地替换操作，可以更高效地处理大规模数据。但是需要注意条件和替代值必须是标量或者具有与目标 tensor 相同的形状。 2. 使用 NumPy 的函数进行条件替换。由于 NumPy 的函数在一些情况下比 PyTorch 的函数更快速，可以将 tensor 转换为 NumPy 数组，使用 NumPy 的函数进行条件替换，然后再将结果转换回 tensor。但是需要注意转换过程可能会带来数据类型转换和数据拷贝的开销。 3. 考虑使用其他高性能计算库。除了 PyTorch 和 NumPy，还有一些其他高性能计算库，如 TensorFlow、JAX 等，可以尝试使用这些库的函数进行条件替换。但是需要注意不同库之间的函数接口和数据格式的差异。 综上所述，torch.where 的性能较低可能是因为其实现方式导致的。如果想要提高性能，可以尝试使用 torch.masked_fill() 函数、NumPy 的函数或其他高性能计算库来替代。但是需要根据实际情况选择最适合的方法，避免由于数据类型转换和数据拷贝导致的额外开销。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值