pytorch tensor索引、切片、连接——Indexing, Slicing, Joining

最新推荐文章于 2024-10-22 17:02:45 发布
最新推荐文章于 2024-10-22 17:02:45 发布
阅读量2.3k 收藏 2
点赞数
分类专栏： python
原文链接：https://blog.csdn.net/LYKXHTP/article/details/81570564
版权
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/LYKXHTP/article/details/81570564

#PyTorch索引,切片,连接,换位
Indexing, Slicing, Joining, Mutating Ops

##torch.cat
torch.cat(inputs, dimension=0) → Tensor
在给定维度上对输入的张量序列进行连接操作。
torch.cat()可以看做 torch.split() 和 torch.chunk()的反操作。

###参数：

  • inputs (sequence of Tensors) – 可以是任意相同Tensor 类型的python 序列
  • dimension (int, optional) – 沿着此维连接张量序列。

###例子：

x = torch.randn(2, 3)
x

 0.5983 -0.0341  2.4918
 1.5981 -0.5265 -0.8735
[torch.FloatTensor of size 2x3]

torch.cat((x, x, x), 0)

 0.5983 -0.0341  2.4918
 1.5981 -0.5265 -0.8735
 0.5983 -0.0341  2.4918
 1.5981 -0.5265 -0.8735
 0.5983 -0.0341  2.4918
 1.5981 -0.5265 -0.8735
[torch.FloatTensor of size 6x3]

torch.cat((x, x, x), 1)

 0.5983 -0.0341  2.4918  0.5983 -0.0341  2.4918  0.5983 -0.0341  2.4918
 1.5981 -0.5265 -0.8735  1.5981 -0.5265 -0.8735  1.5981 -0.5265 -0.8735
[torch.FloatTensor of size 2x9]

如果dim=0，表示的就是接下来的操作是对于第一维度进行的，也就是行(使行发生变化）；如果dim=1,那么它表示接下来的操作是对于第二维度进行的，也就是列（使列发生变化）。

##torch.chunk
torch.chunk(tensor, chunks, dim=0)
在给定维度(轴)上将输入张量进行分块儿。

###参数:

  • tensor (Tensor) – 待分块的输入张量
  • chunks (int) – 分块的个数
  • dim (int) – 沿着此维度进行分块

##torch.gather
torch.gather(input, dim, index, out=None) → Tensor
沿给定轴dim，将输入索引张量index指定位置的值进行聚合。
对一个3维张量，输出可以定义为：

out[i][j][k] = tensor[index[i][j][k]][j][k]  # dim=0
out[i][j][k] = tensor[i][index[i][j][k]][k]  # dim=1
out[i][j][k] = tensor[i][j][index[i][j][k]]  # dim=3

###参数:

  • input (Tensor) – 源张量
  • dim (int) – 索引的轴
  • index (LongTensor) – 聚合元素的下标
  • out (Tensor, optional) – 目标张量

###例子：

>>> t = torch.Tensor([[1,2],[3,4]])
>>> torch.gather(t, 1, torch.LongTensor([[0,0],[1,0]]))
 1  1
 4  3
[torch.FloatTensor of size 2x2]
#解释：
input[[1, 2],      
      [3, 4]]  
index[[0, 0],      
      [1, 0]] 
dim = 1表示在第二维度（列）上操作,
输出的每行取原来Tensor的相应行的index所指列的元素。
例如：
输出的第0行第0列元素取原来Tensor的第0行第0列的值1，
输出的第0行第1列元素也是取原来Tensor的第0行第0列的值1，
输出的第1行第0列元素取原来Tensor的第1行第1列的值4，
输出的第1行第1列元素取原来Tensor的第1行第0列的值3。

 
 
import torch 
a = torch.Tensor([[1,2,3],[4,5,6]])
index_1 = torch.LongTensor([[0,1],[2,0]])
index_2 = torch.LongTensor([[0,1,1],[0,0,0]])
print(torch.gather(a, dim=1, index=index_1))
print(torch.gather(a, dim=0, index=index_2))

输出如下：        
tensor([[1., 2.],
        [6., 4.]])
解释：
input[[1., 2., 3.],
      [4., 5., 6.]]
index [[0,1],
       [2,0]]  
dim = 1表示在第二维度（列）上操作,  
输出的每行取原来Tensor的相应行的index所指列的元素。 
输出的第0行第0列元素取原来Tensor的第0行第0列的值1，
输出的第0行第1列元素也是取原来Tensor的第0行第1列的值2，
输出的第1行第0列元素取原来Tensor的第1行第2列的值6，
输出的第1行第1列元素取原来Tensor的第1行第0列的值4。

tensor([[1., 5., 6.],
        [1., 2., 3.]])
解释：
input[[1., 2., 3.],
      [4., 5., 6.]]
index [[0,1,1],
       [0,0,0]]
dim = 0表示在第一维度（行）上操作,  
输出的每列取原来Tensor的相应列的index所指行的元素。 
    
输出的第0列第0行元素取原来Tensor的第0列第0行的值1，
输出的第0列第1行元素取原来Tensor的第0列第0行的值1，

输出的第1列第0行元素取原来Tensor的第1列第1行的值5，
输出的第1列第1行元素取原来Tensor的第1列第0行的值2，

输出的第2列第0行元素取原来Tensor的第2列第1行的值6，
输出的第2列第1行元素取原来Tensor的第2列第0行的值3。

##torch.index_select
torch.index_select(input, dim, index, out=None) → Tensor
沿着指定维度对输入进行切片，取index中指定的相应项(index为一个LongTensor)，然后返回到一个新的张量， 返回的张量与原始张量_Tensor_有相同的维度(在指定轴上)。

注意： 返回的张量不与原始张量共享内存空间。

####参数:

  • input (Tensor) – 输入张量
  • dim (int) – 索引的轴
  • index (LongTensor) – 包含索引下标的一维张量
  • out (Tensor, optional) – 目标张量

####例子：

>>> x = torch.randn(3, 4)
>>> x

1.2045  2.4084  0.4001  1.1372
 0.5596  1.5677  0.6219 -0.7954
 1.3635 -1.2313 -0.5414 -1.8478
[torch.FloatTensor of size 3x4]

indices = torch.LongTensor([0, 2])
torch.index_select(x, 0, indices)

 1.2045  2.4084  0.4001  1.1372
 1.3635 -1.2313 -0.5414 -1.8478
[torch.FloatTensor of size 2x4]

torch.index_select(x, 1, indices)

 1.2045  0.4001
 0.5596  0.6219
 1.3635 -0.5414
[torch.FloatTensor of size 3x2]

##torch.masked_select
torch.masked_select(input, mask, out=None) → Tensor
根据掩码张量mask中的二元值，取输入张量中的指定项( mask为一个 ByteTensor)，将取值返回到一个新的1D张量，

张量 mask须跟input张量有相同数量的元素数目，但形状或维度不需要相同。 注意： 返回的张量不与原始张量共享内存空间。

###参数:

  • input (Tensor) – 输入张量
  • mask (ByteTensor) – 掩码张量，包含了二元索引值
  • out (Tensor, optional) – 目标张量

###例子：

>>> x = torch.randn(3, 4)
>>> x

1.2045 2.4084 0.4001 1.1372
0.5596 1.5677 0.6219 -0.7954
1.3635 -1.2313 -0.5414 -1.8478
[torch.FloatTensor of size 3x4]

>>> mask = x.ge(0.5)
>>> mask

1 1 0 1
1 1 1 0
1 0 0 0
[torch.ByteTensor of size 3x4]

>>> torch.masked_select(x, mask)

1.2045
2.4084
1.1372
0.5596
1.5677
0.6219
1.3635
[torch.FloatTensor of size 7]

##torch.nonzero
torch.nonzero(input, out=None) → LongTensor
返回一个包含输入input中非零元素索引的张量。输出张量中的每行包含输入中非零元素的索引。

如果输入input有n维，则输出的索引张量output的形状为 z x n, 这里 z 是输入张量input中所有非零元素的个数。

###参数:

  • input (Tensor) – 源张量
  • out (LongTensor, optional) – 包含索引值的结果张量

###例子：

>>> torch.nonzero(torch.Tensor([1, 1, 1, 0, 1]))

0
1
2
4
[torch.LongTensor of size 4x1]

>>> torch.nonzero(torch.Tensor([[0.6, 0.0, 0.0, 0.0],
… [0.0, 0.4, 0.0, 0.0],
… [0.0, 0.0, 1.2, 0.0],
… [0.0, 0.0, 0.0,-0.4]]))

0 0
1 1
2 2
3 3
[torch.LongTensor of size 4x2]

##torch.split
torch.split(tensor, split_size, dim=0)
将输入张量分割成相等形状的chunks（如果可分）。 如果沿指定维的张量形状大小不能被split_size 整分， 则最后一个分块会小于其它分块。

###参数:

  • tensor (Tensor) – 待分割张量
  • split_size (int) – 单个分块的形状大小
  • dim (int) – 沿着此维进行分割

##torch.squeeze
torch.squeeze(input, dim=None, out=None)
将输入张量形状中的1 去除并返回。 如果输入是形如(A×1×B×1×C×1×D)，那么输出形状就为： (A×B×C×D)
当给定dim时，那么挤压操作只在给定维度上。例如，输入形状为: (A×1×B), squeeze(input, 0) 将会保持张量不变，只有用 squeeze(input, 1)，形状会变成 (A×B)。

注意： 返回张量与输入张量共享内存，所以改变其中一个的内容会改变另一个。

###参数:

  • input (Tensor) – 输入张量
  • dim (int, optional) – 如果给定，则input只会在给定维度挤压
  • out (Tensor, optional) – 输出张量

###例子：

>>> x = torch.zeros(2,1,2,1,2)
>>> x.size()
(2L, 1L, 2L, 1L, 2L)
>>> y = torch.squeeze(x)
>>> y.size()
(2L, 2L, 2L)
>>> y = torch.squeeze(x, 0)
>>> y.size()
(2L, 1L, 2L, 1L, 2L)
>>> y = torch.squeeze(x, 1)
>>> y.size()
(2L, 2L, 1L, 2L)
>>> y = torch.squeeze(x, 3)
>>> y.size()
(2L, 1L, 2L, 2L)

##torch.unsqueeze
torch.unsqueeze(input, dim, out=None)
返回一个新的张量，对输入的指定位置插入维度 1

注意： 返回张量与输入张量共享内存，所以改变其中一个的内容会改变另一个。如果dim为负，则将会被转化dim+input.dim()+1

###参数:

  • tensor (Tensor) – 输入张量
  • dim (int) – 插入维度的索引
  • out (Tensor, optional) – 结果张量

###例子：

>>> x = torch.Tensor([1, 2, 3, 4])
>>> torch.unsqueeze(x, 0)
 1  2  3  4
[torch.FloatTensor of size 1x4]
>>> torch.unsqueeze(x, 1)
 1
 2
 3
 4
[torch.FloatTensor of size 4x1]

参考：https://blog.csdn.net/LYKXHTP/article/details/81570564

PyTorch索引,切片,连接,换位Indexing, Slicing, Joining, Mutating Ops
Yoc Lu
08-10 2万+
PyTorch索引,切片,连接,换位 Indexing, Slicing, Joining, Mutating Ops torch.cat torch.cat(inputs, dimension=0) → Tensor 在给定维度上对输入的张量序列进行连接操作。 torch.cat()可以看做 torch.split() 和 torch.chunk()的反操作。 参数： input...
Pytorch 中的 tensor index
Do not mess it up
03-25 3458
遇到了用tensor来index另外一个tensor的操作，在Pytorch中右2个比较相似的操作 torch.index_select 和torch.gather torch.index_select(input,dim,index,out=None)→ Tensor Returns a new tensor which indexes theinputtensor a...
python pytorch tenser 索引 slice 切片
子燕若水的博客
03-14 3807
示例代码： import torch # 譬如：4张图片，每张三个通道，每个通道28行28列的像素 a = torch.rand(4, 3, 28, 28) # 在第一个维度上取后0和1，等同于取第一、第二张图片 print(a[:2].shape) #torch.Size([2, 3, 28, 28]) # 在第一个维度上取0和1,在第二个维度上取0， # 等同于取第一、第二张图片中的第一个通道 print(a[:2, :1, :, :].shape) #torch.Size([2,...
c++ libtorch 切片 torch::indexing::Slice()的含义
最新发布
reyyy的博客
10-22 328
是一个辅助函数，用于创建一个切片对象，这个对象可以用于对Tensor进行切片操作。切片操作允许你选取Tensor中的一个子区域，而不需要复制数据。需要注意的是，切片操作不会改变原始Tensor的数据，而是返回一个新的Tensor，该Tensor与原始Tensor共享相同的数据。函数可以接受几个参数，它们定义了切片的开始、结束和步长。在上面的例子中，我们首先创建了一个5x5的Tensor，然后使用。在LibTorch中，
torch Tensor学习：切片操作
weixin_34327761的博客
02-10 2815
torch Tensor学习：切片操作torchTensorSlice一直使用的是matlab处理矩阵，想从matlab转到lua+torch上，然而在matrix处理上遇到了好多类型不匹配问题。所以这里主要总结一下torch/Tensor中切片操作方法以及其参数类型，以备查询。 已知有矩阵M M=torch.range(1,20):resize(4,5) th> M 1 2 ...
Tensor索引操作
10-23 249
#Tensor索引操作 ''''' Tensor支持与numpy.ndarray类似的索引操作，语法上也类似 如无特殊说明，索引出来的结果与原tensor共享内存，即修改一个，另一个会跟着修改 ''' importtorchast a=t.randn(3,4) ...
PyTorch深度学习基础---Tensor的索引和切片
Ting_28的博客
03-10 571
Tensor支持基本索引和切片操作。Tensor支持ndarray中的高级索引（整数索引和布尔索引）操作。torch.nonzero用于返回非零值的索引矩阵。torch.where（condition，x，y）判断condition的条件是否满足。
pytorch tensor 初始化_PyTorch简明笔记[1]-Tensor的初始化和基本操作
weixin_35922444的博客
12-24 2706
听麻麻说，偷偷收藏而不感谢是不礼貌的，至少应该点个赞~我觉得麻麻说的对！不断地被人安利PyTorch，终于忍不住诱惑决定入坑了。当初学习TensorFlow的时候，没有系统性地学习。之前TF的英文官网一直看不了，而中文版的文档又很烂，导致学起来一直不那么爽，每次搭建模型的时候，都要大量的回来查阅文档，对很多基本的用法搞不清楚。当我翻看PyTorch官网的时候，一下子就爱上了它那清晰的文档和友好的入...
pytorch系列------2 tensor基础
墨流觞的博客
11-05 5778
pytorch Tensor的基本用法 Tensor的创建 索引，合并，切片 初始化 数学操作 1. Tensor的创建 1) 随机数字 torch.rand(*sizes, out=None) → Tensor 返回一个张量，包含了从区间[0, 1)的均匀分布中抽取的一组随机数。张量的形状由参数sizes定义 # torch.rand(sizes) -> [0,1)之间的均匀分布 x ...
Pytorch入门（二） 第3章 张量 tensor
happygirlyao的博客
03-08 1371
本章学习了 Pytorch 中 张量 tensor 的概念和相关操作
pytorch: Tensor 常用操作
热门推荐
吕爽
08-18 8万+
pytorch: Tensor 常用操作
pytorch张量索引切片等学习笔记
09-09
结合网上的相关教程整理的关于pytorch的有关张量，索引，切片以及与numpy相互转换使用的学习笔记，比较完整，有兴趣的可以下载！
深度学习PyTorch笔记（3）：Tensor的索引
niexinyu0026的博客
11-07 1041
深度学习PyTorch笔记（三）：广播机制1.3 广播机制1.4 运算的内存开销 这是《动手学深度学习》（PyTorch版）（Dive-into-DL-PyTorch）的学习笔记，里面有一些代码是我自己拓展的 1.3 广播机制 当对两个形状不同的Tensor按元素运算时，可能会触发广播（broadcasting）机制：先适当复制元素使这两个Tensor形状相同后再按元素运算。 x = torch.tensor([[1, 2]]) y = torch.tensor([[1], [2], [3]]) print
Pytorch Tensor的索引和切片
zhuguiqin1的专栏
08-22 2733
假设我们定义这样一个tensor import torch a = torch.rand(4, 3, 28, 28) print(a[0].shape) print(a[0, 0].shape) print(a[0, 0, 2, 4]) # 具体到某个元素
PyTorch 笔记（06）— Tensor 索引操作（index_select、masked_select、non_zero、gather）
wohu1104的专栏
07-19 3万+
Tensor 支持与 numpy.ndarray 类似的索引操作，如无特殊说明，索引出来的结果与源 tensor 共享内存，即修改一个，另外一个也会跟着改变。 In [65]: a = t.arange(0,6).reshape(2,3) In [66]:
torch中tensor的普通索引以及index_select、torch.gather
qq_43391414的博客
09-27 1万+
今天讲二维和三维数组如何索引，重点在二维，三维是从二维拓展而来。 二维 二维数组很容易索引，例如： c=torch.rand(2,3) print(c) #取行 print(c[[0,1],:]) #取列 print(c[:,[1,2]]) #取行列，所以就是某个元素了。 print(c[[0],[0]])#取(0,0) print(c[[0,0,0],[0,1,2]])#取(0,0),(0,1),(0,2) 需要注意的是，上述写成下述则不是我们想要的： index=torch.tensor(
Pytorch 学习（二十四）----- 高级Tensor技巧(Advanced Indexing等多种操作）
Hungryof的专栏
02-18 993
总说 这里记录一些比较难的操作： Advanced Indexing 可以用于赋值 import torch a = torch.rand(5,5) x_indice = torch.LongTensor([1, 3, 4]) y_indice = torch.LongTensor([2, 1, 1]) value_put = torch.rand(3)*10 print('Before') pr...
Pytorch tensor 如何找到特定值的索引 (index)
qq_49874815的博客
04-08 4154
(4条消息) Pytorch tensor 如何找到特定值的索引 (index)_江浙沪讲吴语的博客-CSDN博客
Pytorch学习-张量的索引切片
Zzz_zhongqing的博客
07-11 2845
张量的索引切片 张量的索引切片方式和numpy几乎是一样的。切片时支持缺省参数和省略号。 可以通过索引和切片对部分元素进行修改。 此外，对于不规则的切片提取,可以使用torch.index_select, torch.masked_select, torch.take 如果要通过修改张量的某些元素得到新的张量，可以使用torch.where,torch.masked_fill,torch.index_fill torch.manual_seed(0) minval,maxval = 0,10 t = tor
pytorch tensor切片
07-15
### 回答1： PyTorch中的tensor切片是指从一个tensor中选择特定的元素或子集。切片操作可以通过索引或范围来指定。下面是关于PyTorch tensor切片的一些重要信息： 1.基本切片操作：您可以使用索引操作符[]来对tensor进行切片。例如，如果有一个3x3的tensor，可以使用`tensor[1:3, 0:2]`来获得第二行和第三行的前两列。 2.索引规则：切片操作的索引是从0开始的。在切片时，起始索引是包含在切片中的，而结束索引是不包含在切片中的。例如，`tensor[1:3]`将返回索引为1和2的元素，但不包括索引为3的元素。 3.负数索引：您可以使用负数索引来从后面开始对tensor进行切片。例如，`tensor[-1]`将返回最后一个元素。 4.步长操作：您可以使用步长操作来跳过某些元素进行切片。例如，`tensor[0:3:2]`将返回索引为0和2的元素。 5.高维tensor切片：对于高维tensor，您可以在多个维度上进行切片。例如，`tensor[:, 1]`将返回所有行的第二列。 6.更改切片：切片的结果是原始tensor的视图，并且共享相同的内存。因此，对切片的更改将反映在原始tensor上。 7.使用切片进行赋值：您可以使用切片操作来对tensor的某些元素进行赋值。例如，`tensor[1:3, 0:2] = 0`将第二行和第三行的前两列设置为0。 请注意，这只是关于PyTorch tensor切片的一些基本信息，更复杂的操作如高级索引和掩码索引等也是可行的。 ### 回答2： PyTorch中的tensor切片是指从一个tensor中选择部分元素的操作。通过切片操作，我们可以访问或修改tensor中的特定元素，或者创建一个新的tensor来存储所选元素。 切片操作的基本语法是t[start:stop:step]，其中start表示起始位置，stop表示结束位置（但不包括该位置上的元素），step表示步长。 例如，如果有一个1维tensor t = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]，我们可以使用切片操作来选择其中的一部分元素。 - t[2:6]将返回一个新的tensor，包含元素2, 3, 4, 5； - t[:5]将返回一个新的tensor，包含元素0, 1, 2, 3, 4； - t[5:]将返回一个新的tensor，包含元素5, 6, 7, 8, 9； - t[1:8:2]将返回一个新的tensor，包含元素1, 3, 5, 7。 对于多维tensor，我们可以使用相同的切片操作来选择各个维度上的元素。 例如，如果有一个2维tensor t = [[0, 1, 2], [3, 4, 5], [6, 7, 8]]，我们可以使用切片操作来选择其中的一部分元素。 - t[1:3, :2]将返回一个新的tensor，包含元素[[3, 4], [6, 7]]，表示选择第1行和第2行的前2列； - t[:, 1]将返回一个新的tensor，包含元素[1, 4, 7]，表示选择所有行的第1列。 需要注意的是，切片操作返回的是原始tensor的一个视图，而不是创建一个新的tensor。这意味着对切片后的tensor进行修改，将会影响到原始tensor。如果需要创建一个新的tensor对象，可以使用切片操作的clone()方法来复制原始tensor的数据。 ### 回答3： PyTorch是一个常用的深度学习框架，Tensor是PyTorch中用于处理数据的基本数据结构。在PyTorch中，我们可以使用Tensor进行切片操作来选择或修改我们需要的元素。 通过索引操作，我们可以对Tensor进行切片。在切片操作中，可以使用逗号分隔的索引列表来选择多个维度的元素。例如，使用tensor[a:b, c:d]的切片操作，可以选择Tensor中从第a行到第b行（不包括b）以及第c列到第d列（不包括d）的元素。 在切片操作中，索引的开始和结束位置都是可选的，如果不指定，则默认为从开头到末尾。此外，还可以使用负数索引来表示从末尾开始的位置。 除了使用切片进行选择之外，我们还可以使用切片进行修改。通过将切片操作放在赋值语句的左侧，我们可以将新的值赋予切片所选择的元素。 值得注意的是，切片操作返回的是原始Tensor的视图，而不是复制。这意味着对切片的修改也会反映在原始Tensor上。 需要注意的是，在PyTorch中进行切片操作不会对Tensor进行内存复制，这样可以减少内存消耗并提高代码的执行效率。 总而言之，PyTorch中的Tensor切片操作允许我们根据需要选择或修改Tensor中的元素。通过索引和切片操作，我们可以根据具体需求灵活操作Tensor的数据。这为我们在深度学习任务中提供了丰富的选择和便利性。
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
>