PyTorch学习（1）：torch.meshgrid的使用

1. 简述

---

torch.meshgrid

---

生成网格，可以用于生成坐标。函数输入两个数据类型相同的一维张量，两个输出张量的行数为第一个输入张量的元素个数，列数为第二个输入张量的元素个数，当两个输入张量数据类型不同或维度不是一维时会报错。

原型

---

torch.meshgrid(*tensors, indexing=None)

indexing = ‘ij’ 行优先（默认）

indexing = ‘xy’ 列优先

---

2. 行优先

第一个Tensor确定行数，和每行的值，然后向右复制。

也可以看做是确定了第一列。

第二个Tensor确定列数，以及每一列的值，然后向下复制。

一般情况下，torch.meshgrid的输入参数中，有两个tensor，均应该是一维的tensor。如torch.meshgrid(a_tensor, b_tensor, indexing=’ij’)，表示首先把a_tensor当做第一列，然后根据b_tensor的元素数量，确定复制几列。

总结起来就是“向右向下复制”

3. 列优先

与“列优先”相反，第一个Tensor先确定列数和每列的取值，第二个Tensor先确定行数和每行的取值。

4. 行优先举例

sx = torch.arange(end=5)

sy = torch.arange(end=6)

sy, sx = torch.meshgrid(sy, sx, indexing='ij')

print(f"sy: {sy}")

print(f"sx: {sx}")

得到结果如下所示：

sy: tensor([[0, 0, 0, 0, 0],

            [1, 1, 1, 1, 1],

            [2, 2, 2, 2, 2],

            [3, 3, 3, 3, 3],

            [4, 4, 4, 4, 4],

            [5, 5, 5, 5, 5]])

sx: tensor([[0, 1, 2, 3, 4],

            [0, 1, 2, 3, 4],

            [0, 1, 2, 3, 4],

            [0, 1, 2, 3, 4],

            [0, 1, 2, 3, 4],

            [0, 1, 2, 3, 4]])

可以看出如下特征：

sy首先确定了行数，以及每一行的取值，另一种理解可以是。之后相当于复制多列，具体复制多少列呢，取决于sx的元素数量。

sx首先确定了列数，以及每一列的取值，然后复制多行。

5. 列优先举例

sx = torch.arange(end=5)

sy = torch.arange(end=6)

sy, sx = torch.meshgrid(sy, sx, indexing='xy')

print(f"sy: {sy}")

print(f"sx: {sx}")

得到的结果如下所示：

sy: tensor([[0, 1, 2, 3, 4, 5],

            [0, 1, 2, 3, 4, 5],

            [0, 1, 2, 3, 4, 5],

            [0, 1, 2, 3, 4, 5],

            [0, 1, 2, 3, 4, 5]])

sx: tensor([[0, 0, 0, 0, 0, 0],

            [1, 1, 1, 1, 1, 1],

            [2, 2, 2, 2, 2, 2],

            [3, 3, 3, 3, 3, 3],

            [4, 4, 4, 4, 4, 4]])

如上所示，可以看出如下特征：

sy首先确定了列数和每一列的取值，即确定了第一行。之后根据sx的元素数量确定复制几行。

sx首先确定了行数，以及每一行的取值，然后复制多列。

6. 特别说明

我们在基于PyTorch框架开发深度学习工程时，有时会制作Tensor的索引矩阵，此时应该是用行优先模式，即：sy, sx = torch.meshgrid(sy, sx, indexing='ij')这一种形式，然后将sy和sx进行torch.stack结合操作。