Tensor:索引操作

最新推荐文章于 2024-07-31 20:39:38 发布
最新推荐文章于 2024-07-31 20:39:38 发布
阅读量9.2k 收藏 23
点赞数 3
分类专栏： Pytorch 文章标签： pytorch tensor 索引
原文链接：https://github.com/chenyuntc/pytorch-book/blob/master/chapter03-tensor_and_autograd/Tensor.ipynb
版权

索引操作

Tensor支持与numpy.ndarray类似的索引操作，语法上也类似，下面通过一些例子，讲解常用的索引操作。如无特殊说明，索引出来的结果与原tensor共享内存，也即修改一个，另一个会跟着修改。

   In [31]:

a = t.randn(3, 4)
a

Out[31]:
tensor([[ 1.1741,  1.4335, -0.8156,  0.7622],
        [-0.6334, -1.4628, -0.7428,  0.0410],
        [-0.6551,  1.0258,  2.0572,  0.3923]])

In [32]:

a[0] # 第0行(下标从0开始)

Out[32]:

tensor([ 1.1741,  1.4335, -0.8156,  0.7622])

In [33]:

a[:, 0] # 第0列

Out[33]:

tensor([ 1.1741, -0.6334, -0.6551])

In [34]:

a[0][2] # 第0行第2个元素，等价于a[0, 2]

Out[34]:

tensor(-0.8156)

In [35]:

a[0, -1] # 第0行最后一个元素

Out[35]:

tensor(0.7622)

In [36]:

a[:2] # 前两行

Out[36]:

tensor([[ 1.1741,  1.4335, -0.8156,  0.7622],
        [-0.6334, -1.4628, -0.7428,  0.0410]])

In [37]:

a[:2, 0:2] # 前两行，第0,1列

Out[37]:

tensor([[ 1.1741,  1.4335],
        [-0.6334, -1.4628]])

In [38]:

print(a[0:1, :2]) # 第0行，前两列 
print(a[0, :2]) # 注意两者的区别：形状不同
Out[38]:
tensor([[1.1741, 1.4335]])
tensor([1.1741, 1.4335])

In [39]:

# None类似于np.newaxis, 为a新增了一个轴
# 等价于a.view(1, a.shape[0], a.shape[1])
a[None].shape

Out[39]:

torch.Size([1, 3, 4])

In [40]:

a[None].shape # 等价于a[None,:,:]

Out[40]:

torch.Size([1, 3, 4])

In [41]:

a[:,None,:].shape

Out[41]:

torch.Size([3, 1, 4])

In [42]:

a[:,None,:,None,None].shape

Out[42]:

torch.Size([3, 1, 4, 1, 1])

In [43]:

a > 1 # 返回一个ByteTensor

Out[43]:

tensor([[1, 1, 0, 0],
        [0, 0, 0, 0],
        [0, 1, 1, 0]], dtype=torch.uint8)

In [44]:

a[a>1] # 等价于a.masked_select(a>1)
# 选择结果与原tensor不共享内存空间

Out[44]:

tensor([1.1741, 1.4335, 1.0258, 2.0572])

In [45]:

a[t.LongTensor([0,1])] # 第0行和第1行

Out[45]:

tensor([[ 1.1741,  1.4335, -0.8156,  0.7622],
        [-0.6334, -1.4628, -0.7428,  0.0410]])

其它常用的选择函数如表3-2所示。

表3-2常用的选择函数

函数功能
index_select(input, dim, index)在指定维度dim上选取，比如选取某些行、某些列
masked_select(input, mask)例子如上，a[a>0]，使用ByteTensor进行选取
non_zero(input)非0元素的下标
gather(input, dim, index)根据index，在dim维度上选取数据，输出的size与index一样

gather是一个比较复杂的操作，对一个2维tensor，输出的每个元素如下：

out[i][j] = input[index[i][j]][j]  # dim=0
out[i][j] = input[i][index[i][j]]  # dim=1

三维tensor的gather操作同理，下面举几个例子。

In [46]:

a = t.arange(0, 16).view(4, 4)
a

Out[46]:

tensor([[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11],
        [12, 13, 14, 15]])

In [47]:

# 选取对角线的元素
index = t.LongTensor([[0,1,2,3]])
a.gather(0, index)

Out[47]:

tensor([[ 0,  5, 10, 15]])

In [48]:

# 选取反对角线上的元素
index = t.LongTensor([[3,2,1,0]]).t()
a.gather(1, index)

Out[48]:

tensor([[ 3],
        [ 6],
        [ 9],
        [12]])

In [49]:

# 选取反对角线上的元素，注意与上面的不同
index = t.LongTensor([[3,2,1,0]])
a.gather(0, index)

Out[49]:

tensor([[12,  9,  6,  3]])

In [50]:

# 选取两个对角线上的元素
index = t.LongTensor([[0,1,2,3],[3,2,1,0]]).t()
b = a.gather(1, index)
b

Out[50]:

tensor([[ 0,  3],
        [ 5,  6],
        [10,  9],
        [15, 12]])

与gather相对应的逆操作是scatter_，gather把数据从input中按index取出，而scatter_是把取出的数据再放回去。注意scatter_函数是inplace操作。

out = input.gather(dim, index)
-->近似逆操作
out = Tensor()
out.scatter_(dim, index)

In [51]:

# 把两个对角线元素放回去到指定位置
c = t.zeros(4,4)
c.scatter_(1, index, b.float())

Out[51]:

tensor([[ 0.,  0.,  0.,  3.],
        [ 0.,  5.,  6.,  0.],
        [ 0.,  9., 10.,  0.],
        [12.,  0.,  0., 15.]])

对tensor的任何索引操作仍是一个tensor，想要获取标准的python对象数值，需要调用tensor.item(), 这个方法只对包含一个元素的tensor适用

In [52]:

a[0,0] #依旧是tensor）

Out[52]:

tensor(0)

In [53]:

a[0,0].item() # python float

Out[53]:

0

In [54]:

d = a[0:1, 0:1, None]
print(d.shape)
d.item() # 只包含一个元素的tensor即可调用tensor.item,与形状无关

torch.Size([1, 1, 1])

Out[54]:

0

In [55]:

# a[0].item()  ->
# raise ValueError: only one element tensors can be converted to Python scalars

高级索引

PyTorch在0.2版本中完善了索引操作，目前已经支持绝大多数numpy的高级索引1。高级索引可以看成是普通索引操作的扩展，但是高级索引操作的结果一般不和原始的Tensor共享内存。

  1. https://docs.scipy.org/doc/numpy/reference/arrays.indexing.html#advanced-indexing↩

In [56]:

x = t.arange(0,27).view(3,3,3)
x

Out[56]:

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]]])

In [57]:

x[[1, 2], [1, 2], [2, 0]] # x[1,1,2]和x[2,2,0]

Out[57]:

tensor([14, 24])

In [58]:

x[[2, 1, 0], [0], [1]] # x[2,0,1],x[1,0,1],x[0,0,1]

Out[58]:

tensor([19, 10,  1])

In [59]:

x[[0, 2], ...] # x[0] 和 x[2]

Out[59]:

tensor([[[ 0,  1,  2],
         [ 3,  4,  5],
         [ 6,  7,  8]],

        [[18, 19, 20],
         [21, 22, 23],
         [24, 25, 26]]])
三世
关注
专栏目录
张量（Tensor）的创建和索引
Quintin
02-27 331
在实际使用PyTorch的过程中，张量（Tensor）对象是我们操作的基本数据类型。很多时候，在我们没有特别明确什么是深度学习计算框架的时候，我们可以把PyTorch简单看成是Python的深度学习第三方库，在PyTorch中定义了适用于深度学习的基本数据结构————张量，以及张量的各类计算。其实也就相当于NumPy中定义的Array和对应的科学计算方法，正是这些基本数据类型和对应的方法函数，为我们进一步在PyTorch上进行深度学习建模提供了基本对象和基本工具。
【Pytorch笔记】使用Tensor作为索引
NOVAglow646的博客
11-06 2695
使用tensor作为索引
pytorch tensor的高级索引
最新发布
m0_53291740的博客
07-31 512
0,0,0],[1,1,1]就是取3个第一维度（0轴）为0，第二维度（1轴）为1的元素。第一个冒号代表0轴，第二个冒号代表1轴，第三个冒号代表2轴。哪个维度是0，idx就会在x的基础上少那个维度。会出现对个对应的值，只改变第一个维度。下面的例子对于这个x进行操作。第二个冒号可以选这类。第一个冒号可以选这类。第三个冒号可以选这类。
Pytorch 中的 tensor index
Do not mess it up
03-25 3411
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...
tensor的索引、切片、拼接和压缩等
Yicen
08-13 2234
torch.tensor的相关操作
从 X 入门Pytorch——Tensor的索引，切片，拼接，拆分，Reduction操作
Philo的博客
03-18 8278
本文汇总了Tensor常见的索引，切片，拼接和拆分操作，同时给出了示例进行演示
Paddle Tensor 索引的使用指南&学习心得
python_LC_nohtyp的博客
05-21 1468
索引操作是深度学习中非常重要的一部分，它可以帮助我们高效地处理和操作数据。本文从基础索引、高级索引、索引赋值、索引的梯度传播等方面介绍了索引操作的基本概念和使用方法，并结合实际案例展示了索引在不同领域的应用。希望本文的内容能够帮助大家更好地理解和使用索引操作，提高数据处理和模型开发的效率。
PyTorch深度学习基础---Tensor的索引和切片
Ting_28的博客
03-10 479
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的索引与切片例子
09-18
在本篇中，我们将深入探讨PyTorch Tensor的索引与切片操作，这对于理解和处理Tensor数据至关重要。 1. PyTorch风格的索引： PyTorch中的索引类似于NumPy的索引方式，按照Tensor的形状从前往后进行逐维索引。例如，...
sparse-tensor:张量代数在Haskell中的类型安全实现
05-08
2. **基本操作**：包括张量的创建、索引、切片、形状检查、形状转换、加法、乘法等。这些操作必须确保类型安全，并且在处理稀疏数据时尽可能保持效率。 3. **优化**：由于Haskell的惰性求值，计算可能被延迟到真正...
结构张量matlab代码-tensor:C++库，用于数字数组和张量对象及其操作，旨在允许Matlab风格的编程
05-24
本项目提供了一个C++编写的库，名为"tensor"，其目的是为了在C++环境中实现与MATLAB类似的张量操作，从而方便进行跨语言的工程应用。 结构张量，也称为二阶矩矩阵，通常用于分析图像的局部纹理和结构。它通过计算...
每天五分钟深度学习PyTorch：Tensor张量的索引和切片
huanfeng_AI的博客
06-05 245
有时候当我们拥有一个Tensor张量的时候，我们可能需要获取它某一维度的信息，那么此时我们就需要索引和切片的技术，它们可以帮助我们解决这些问题。
PyTorch深度学习基础之Tensor的索引、切片、变换、拼接与拆分
2301_77681528的博客
03-12 648
0,2]代表第一个非零元素为第0行第2列；[1,2]代表第二个非零元素为第1行第2列。
PyTorch 笔记（06）— Tensor 索引操作（index_select、masked_select、non_zero、gather）
热门推荐
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]:
Pytorch：浅探Tensor的各种索引形式
要相信光
12-18 6960
文章目录前因各种Tensor索引操作1. 简单索引2. 一般的花式索引3. 复杂的花式索引4. Informer代码示例 前因 之前一直以为对ndarray的各种索引切片操作还算得上熟悉，但今天师弟问了我Informer实现中ProbSparse Self-Attention的一些Tensor索引操作，才发现有些操作还不太懂，而网上也缺乏相关的参考资料。因此在一系列探索下，写下了这篇博客。 各种Tensor索引操作 构造示例数组x，为一个三维tesnor： import torch x = torch.ar
Tensor的索引和数据筛选
huihuixiaoxue的博客
01-02 354
where
Lesson 1.张量（Tensor）的创建和索引
QT-Smile
12-16 780
转载自：https://www.bilibili.com/video/BV14X4y1A7KT?p=3 Lesson 1. 张量（Tensor）的创建和常用方法   在实际使用PyTorch的过程中，张量（Tensor）对象是我们操作的基本数据类型。   很多时候，在我们没有特别明确什么是深度学习计算框架的时候，我们可以把PyTorch简单看成是Python的深度学习第三方库，在PyTorch中定义了适用于深度学习的基本数据结构————张量，以及张量的各类计算。其实也就相当于NumPy中定义的Array和对
【深度学习_TensorFlow】索引与切片
m0_73222051的博客
06-18 1722
可以理解成多维数组的下标索引，索引方法是 变量名[ 下标 ][ 下标 ]创建下面一个张量是什么意思？tf.ones( [ 3, 30, 30, 3 ] ) ：它是一个四维的张量，形状为 (3, 30, 30, 3)。这个张量中的每个元素都是 1。具体来说，它是一个由 3 个 3x3x3 的矩阵组成的张量，每个矩阵中的每个元素都是 1。上述张量结合实际例子就可以理解为创建一个四维张量来储存图片信息，有3张照片，分别为30 * 30 的 3 通道彩色照片。
LibTorch：tensor.index_select()
Flag_ing的博客
11-12 2086
LibTorch中的tensor.index_select()方法与PyTorch中的用法类似，先看一下在LibTorch中的声明： inline Tensor Tensor::index_select(int64_t dim, const Tensor & index) 主要是两个参数，一个是要选择的维度，对于二维tensor来说，0代表按行索引，1代表按列索引，参数index代表索引值，这个参数要重点注意一下！首先index它本身就是一个tensor！另外，还得是int64（kLong）类
评论 5
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