torch.index_select()——数组索引

torch.index_select()——数组索引

torch.index_select(input, dim, index, *, out=None) → Tensor

功能：选择根据给定的index和dim在input中选择张量数据，相当于更高级的索引功能。

输入：

• input：需要索引的张量数组
• dim：索引维度(沿dim维度进行索引)
• index：索引值，可以是单个数字、也可以是一个序列(一维序列)

注意：

• 返回的张量数组与原始的张量数组具有相同的维数，这里与直接进行索引有区别，具体见案例代码；
• dim维度的尺寸大小与index的长度相同，其他尺寸大小与原始张量中的尺寸相同
• index：维数必须小于等于1

案例代码

当index索引为单个数字时

import torch
a=torch.arange(40).view(2,4,5)
index=torch.tensor([1])
select_1=torch.index_select(a,dim=0,index=index)
select_2=torch.index_select(a,dim=1,index=index)
select_3=torch.index_select(a,dim=2,index=index)
print(select_1)
print(select_2)
print(select_3)
print(a.shape)
print(select_1.shape)
print(select_2.shape)
print(select_3.shape)

输出

# dim=0
tensor([[[20, 21, 22, 23, 24],
         [25, 26, 27, 28, 29],
         [30, 31, 32, 33, 34],
         [35, 36, 37, 38, 39]]])
# dim=1
tensor([[[ 5,  6,  7,  8,  9]],

        [[25, 26, 27, 28, 29]]])
# dim=2
tensor([[[ 1],
         [ 6],
         [11],
         [16]],

        [[21],
         [26],
         [31],
         [36]]])
# 索引后的数组尺寸，除了dim部分，其他和原来大小一样
# 原始
torch.Size([2, 4, 5])
# dim=0
torch.Size([1, 4, 5])
# dim=1
torch.Size([2, 1, 5])
# dim=2
torch.Size([2, 4, 1])

当索引为列表时

import torch
a=torch.arange(40).view(2,4,5)
index=torch.tensor([1,3])
select_1=torch.index_select(a,dim=1,index=index)
select_2=torch.index_select(a,dim=2,index=index)
print(select_1)
print(select_2)

输出

# dim=1
tensor([[[ 5,  6,  7,  8,  9],
         [15, 16, 17, 18, 19]],

        [[25, 26, 27, 28, 29],
         [35, 36, 37, 38, 39]]])
# dim=2
tensor([[[ 1,  3],
         [ 6,  8],
         [11, 13],
         [16, 18]],

        [[21, 23],
         [26, 28],
         [31, 33],
         [36, 38]]])

高维数组的选择

import torch
a=torch.arange(4*512*28*28).view(4,512,28,28)
index=np.random.choice(32,5)# 在0到31内随机选5个值
select=torch.index_select(a,1,index=torch.tensor(index,dtype=int))
print(index)
print(a.shape)
print(select.shape)

输出

# 索引序列
[ 1  4 28  3  3]
# 原始数组
torch.Size([4, 512, 28, 28])
# 索引后的数组
torch.Size([4, 5, 28, 28])

dim=1，相当于在第二个维度中进行选择

torch.index_select与直接索引的区别

import torch
a=torch.arange(40).view(2,4,5)
index=torch.tensor([1])
select_1=torch.index_select(a,dim=0,index=index)
select_2=a[0,:,:]
print(select_1)
print(select_2)
print(select_1.shape)
print(select_2.shape)

输出

# 利用torch.index_select，结果
tensor([[[20, 21, 22, 23, 24],
         [25, 26, 27, 28, 29],
         [30, 31, 32, 33, 34],
         [35, 36, 37, 38, 39]]])
# 直接进行索引，结果
tensor([[ 0,  1,  2,  3,  4],
        [ 5,  6,  7,  8,  9],
        [10, 11, 12, 13, 14],
        [15, 16, 17, 18, 19]])
# 利用torch.index_select，形状
torch.Size([1, 4, 5])
# 直接进行索引，形状
torch.Size([4, 5])

容易发现，直接进行索引和利用torch.index_select索引最大的区别就在于：直接进行索引数组维数会降低，利用torch.index_select索引数组维数不变，下面的案例更容易理解区别

import torch
a=torch.arange(40).view(2,4,5)
select_1=a[0,:,:]
select_2=a[0,0,:]
select_3=a[0,0,0]
print(select_1)
print(select_2)
print(select_3)
print(select_1.shape)
print(select_2.shape)
print(select_3.shape)

输出

tensor([[ 0,  1,  2,  3,  4],
        [ 5,  6,  7,  8,  9],
        [10, 11, 12, 13, 14],
        [15, 16, 17, 18, 19]])
tensor([0, 1, 2, 3, 4])
tensor(0)
torch.Size([4, 5])
torch.Size([5])
torch.Size([])

直接索引就是一个逐步逼近的过程，随着给定的数字越多(从给1个到给3个)，维数越小(结果从2维到0维)，结果范围越精确。而torch.index_select只能沿着一个维度进行搜索查找，相当于对整个数组进行索引。

官方文档

torch.index_select()：https://pytorch.org/docs/stable/generated/torch.index_select.html?highlight=index_select

点个赞支持一下吧