pytorch-张量及其运算

索引与切片

1.Pytorch风格的索引
根据Tensor的shape，从前往后索引，依次在每个维度上做索引

import torch
 
a = torch.rand(4, 3, 28, 28)
print(a[0].shape) #取到第一个维度  
torch.Size([3, 28, 28])
print(a[0, 0].shape) # 取到二个维度  
torch.Size([28, 28])
print(a[1, 2, 2, 4])  # 具体到某个元素
tensor(0.1076)

上述代码创建了一个shape=[4, 3, 28, 28]的Tensor，我们可以理解为4张图片，每张图片有3个通道，每个通道是28x28的图像数据。a代表这个Tensor，a后面跟着的列表[]表示对Tensor进行索引，a的维度dim = 4,决定了[]中的元素个数不能超过4个，[]中的值表示对应维度上的哪一个元素，比如 a[0]表示取第一个维度上的第一个元素，可以理解为第一张图片，a[1]表示取第一个维度上的第二个元素，可以理解为第二张图片。a[0, 0]表示取第一个维度上第一个元素与第二个维度上的第一个元素，也就是第一张图片第一个通道的元素。a[1, 2, 2, 4]表示取第一个维度上的第二个元素与第二个维度上的第三个元素与第三个维度上的第三个元素与第四个维度上的第5个元素，也就是第二张图片第三个通道第三行第四列的像素值是一个标量值。

2.python风格的索引

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, 1, 28, 28])
 
# 在第一个维度上取0和1,在第二个维度上取1,2，
# 等同于取第一、第二张图片中的第二个通道与第三个通道
print(a[:2, 1:, :, :].shape)  #torch.Size([2, 2, 28, 28])
 
# 在第一个维度上取0和1,在第二个维度上取1,2，
# 等同于取第一、第二张图片中的第二个通道与第三个通道
print(a[:2, -2:, :, :].shape)  #
torch.Size([2, 2, 28, 28])
 
# 使用step隔行采样
# 在第一、第二维度取所有元素，在第三、第四维度隔行采样
# 等同于所有图片所有通道的行列每隔一行或者一列采样
# 注意：下面的代码不包括28
print(a[:, :, 0:28:2, 0:28:2].shape) 
print(a[:, :, ::2, ::2].shape)  # 等同于上面语句

注意：负值的索引即表示倒数第几个元素，-2就是倒数第二个元素

3.index_select（）选择特定索引

index_select(dim，index)

功能：从张量的某个维度的指定位置选取数据。
参数：
dim：表示从第几维挑选数据，类型为int值；
index：表示从第一个参数维度中的哪个位置挑选数据，类型为torch.Tensor类的实例；

选择特定下标有时候很有用，比如上面的a这个Tensor可以看作4张RGB（3通道）的MNIST图像，长宽都是28px。那么在第一维度上可以选择特定的图片，在第二维度上选择特定的通道，在第三维度上选择特定的行等：

# 选择第一张和第三张图
print(a.index_select(0, torch.tensor([0, 2])).shape)
#torch.Size([2, 3, 28, 28])

# 选择R通道和B通道
print(a.index_select(1, torch.tensor([0, 2