pytorch 维数嵌套(多维与一维的嵌套关系)

本文通过实例深入解析PyTorch中嵌套代码的索引操作,包括多维张量的切片。示例展示了如何利用索引选择张量的特定部分,如`a[b,:,:]`和`a[b,c,:]`,帮助读者更好地理解和应用这些概念到深度学习和张量操作中。
摘要由CSDN通过智能技术生成
今天在看代码的时候,发现对于嵌套的代码理解不太深刻,这里举个例子加深下印象
先看个简单的例子
a = torch.tensor([1,2,3])
b = torch.tensor([[0,0,0,0,0,0,0,0,0,0,0,0,0],[1,1,1,1,1,1,1,1,1,1,1,1,1]])

在这里插入图片描述

在这里插入图片描述

我们再来看个复杂的例子。

a
tensor([[[ 0,  1,  2,  3],
         [ 4,  5,  6,  7],
         [ 8,  9, 10, 11],
         [12, 13, 14, 15]],
        [[16, 17, 18, 19],
         [20, 21, 22, 23],
         [24, 25, 26, 27],
         [28, 29, 30, 31]]])
b
tensor([[0, 0],
        [1, 1]])
c
tensor([[3, 3],
        [2, 2]])

a[b,:,:]				
tensor([[[[ 0,  1,  2,  3],
          [ 4,  5,  6,  7],
          [ 8,  9, 10, 11],
          [12, 13, 14, 15]],
         [[ 0,  1,  2,  3],
          [ 4,  5,  6,  7],
          [ 8,  9, 10, 11],
          [12, 13, 14, 15]]],
        [[[16, 17, 18, 19],
          [20, 21, 22, 23],
          [24, 25, 26, 27],
          [28, 29, 30, 31]],
         [[16, 17, 18, 19],
          [20, 21, 22, 23],
          [24, 25, 26, 27],
          [28, 29, 30, 31]]]])
a[b,c,:]
tensor([[[12, 13, 14, 15],
         [12, 13, 14, 15]],
        [[24, 25, 26, 27],
         [24, 25, 26, 27]]])
  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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