pytorch中的一维、二维、三维张量的符号索引

一维、二维、三维张量的符号索引

张量作为有序的序列，也是具备数值索引的功能，并且基本的索引方法和Python原生的列表、numpy中的数组基本一致。也有不同的，其是pytorch中还定义了一种采用函数来进行索引的方式。
而作为PyTorch中基本数据类型，张量即具备了列表、数组的基本功能，同时还充当着向量、矩阵、甚至是数据框等重要数据结构，因此PyTorch中也设置了非常完备的张量合并与变换的操作。

张量的符号索引

张量也是有序序列，我们可以根据每个元素在系统内的顺序“编号”，来找出特定的元素，也就是索引。
（1）一维张量索引
一维张量的索引过程和Python原生对象类型的索引一致，基本格式遵循[start: end: step]，索引的基本要点回顾如下。

t1 = torch.arange(1, 11)
#结果为：tensor([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
t1[0]
#结果为：tensor(1)------零维张量

注：张量索引出来的结果还是零维张量， 而不是单独的数。要转化成单独的数，需要使用item()方法

t1[1: 8]             # 索引其中2-9号元素，并且左包含右不包含
#结果为：tensor([2, 3, 4, 5, 6, 7, 8])

t1[1: 8: 2]          # 索引其中2-9号元素，左包含右不包含，且隔两个数取一个
#结果为：tensor([2, 4, 6, 8])

t1[1: : 2]           # 从第二个元素开始索引，一直到结尾，并且每隔两个数取一个
tensor([ 2,  4,  6,  8, 10])

t1[: 8: 2]           # 从第一个元素开始索引到第9个元素（不包含），并且每隔两个数取一个
tensor([1, 3, 5, 7])

注意：在张量的索引中，step位必须大于0，不然会报错
（2）二维张量索引
二维张量的索引逻辑和一维张量的索引逻辑基本相同，二维张量可以视为两个一维张量组合而成，而在实际的索引过程中，需要用逗号进行分隔，分别表示对哪个一维张量进行索引、以及具体的一维张量的索引，如果没有逗号则表示索引对应的整行或整列(逗号在前)。

t2 = torch.arange(1, 10).reshape(3, 3)
#结果为：tensor([[1, 2, 3],
                 [4, 5, 6],
                 [7, 8, 9]])
                 
t2[0, 1]                  # 表示索引第一行、第二个（第二列的）元素
#结果为：tensor(2)------零维张量

t2[0, ::2]                # 表示索引第一行、每隔两个元素取一个
#结果为：tensor([1, 3])
t2[0, [0, 2]]             # 索引结果同上
结果为：tensor([1, 3])

t2[::2, ::2]              # 表示每隔两行取一行、并且每一行中每隔两个元素取一个
#结果为：tensor([[1, 3],
                 [7, 9]])
                 
t2[[0, 2], 1]              # 索引第一行、第三行、第二列的元素
#结果为：tensor([2, 8])

理解：对二维张量来说，基本可以视为是对矩阵的索引，并且行、列的索引遵照相同的索引规范，并用逗号进行分隔。如果没有逗号则表示索引对应的整行或整列(逗号在前)
（3）三维张量索引
在二维张量索引的基础上，三维张量拥有三个索引的维度。我们将三维张量视作矩阵组成的序列，则在实际索引过程中拥有三个维度，分别是索引矩阵、索引矩阵的行、索引矩阵的列。

t3 = torch.arange(1, 28).reshape(3, 3, 3)
#结果为：tensor([[[ 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]]])
t3[1, 1, 1]   # 索引第二个矩阵中，第二行、第二个元素
#结果为：tensor(14)------零维张量

t3[1, ::2, ::2]    # 索引第二个矩阵，行和列都是每隔两个取一个
#结果为：tensor([[10, 12],
                 [16, 18]])

t3[:: 2, :: 2, :: 2]  # 每隔两个取一个矩阵，对于每个矩阵来说，行和列都是每隔两个取一个
#结果为：tensor([[[ 1,  3],
                  [ 7,  9]],

                 [[19, 21],
                  [25, 27]]])

理解：更为本质的角度去理解高维张量的索引，其实就是围绕张量的“形状”进行索引

t3.shape
#结果为：torch.Size([3, 3, 3])        

t3[1, 1, 1]             # 与shape一一对应
#结果为：tensor(14)

以上是本人的浅显见解，还请大家多多指教。