pytorch tensor 获取指定值的indices

最新推荐文章于 2023-09-19 13:04:13 发布
最新推荐文章于 2023-09-19 13:04:13 发布
阅读量1.2k 收藏
点赞数 1
分类专栏： pytorch 文章标签： 人工智能 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u010454261/article/details/76860986
版权 
import torch

x  = torch.randn(1, 3, 6, 6)
y = torch.zeros(x.shape).to(x.device)
y[x >= 0.5] = 1
z = (y == 1).nonzero(as_tuple = False) 
print(z)

# z is the indices you need.

siqi_fighting
关注
专栏目录
pytorch基础知识之Tensor（1）
go___on的博客
04-18 1559
pytorch中关于Tensor的一些基础操作 以下是创建一些张量代码实例 import torch #传数据(FlotTensor类型) a = torch.Tensor( [ [1,2],[3,4] ] ) #基础构造函数 a = torch.Tensor(2,3) #几种特殊 b = torch.zeros(3,5) b = torch.ones(2,2) b = torch.eye(3,3) c = torch.zeros_like(a)
pytorch tensor查找0_[宜配屋]听图阁
weixin_35952427的博客
01-17 306
本文源码基于版本1.0，交互界面基于0.4.1import torch按照指定轴上的坐标进行过滤index_select()沿着某tensor的一个轴dim筛选若干个坐标>>> x = torch.randn(3, 4) # 目标矩阵>>> xtensor([[ 0.1427, 0.0231, -0.5414, -1.0009],[-0.4664, 0.2647...
pytorch小知识点（三）-------Tensor的indices操作
goodxin_ie的博客
04-29 1万+
一、Tesnor 先简单介绍一下Tensor。Tensor是pytorch的核心，它是一个包含单一数据类型的多维矩阵。 pyTorch定义了七种CPU tensor类型和八种GPU tensor类型： 默认的torch.Tensor是FloatTensor。我们可以简单地向下面的方式创建一个Tensor: """ FloatTensor """ x1 = torch.FloatTen...
Pytorch tensor 如何找到特定值的索引 (index)
Wu的博客
02-19 2万+
使用 torch.nonzero()，返回非零值的索引 (index) 其中 True 算作非零数，False 算作零，所以可以巧用判断式来找到 Tensor 特定值的索引 import torch a = torch.arange(3*5).reshape(3,5).view(-1) b = torch.nonzero(a==10).squeeze() print(b) # tensor(10) ...
python索引例子_pytorch索引查找 index_select的例子
weixin_39778668的博客
11-26 185
index_selectanchor_w = self.FloatTensor(self.scaled_anchors).index_select(1, self.LongTensor([0]))参数说明：index_select(x, 1, indices)1代表维度1，即列，indices是筛选的索引序号。例子：import torchx = torch.linspace(1, 12, ste...
torch.triu_indices
weixin_43468239的博客
08-02 712
torch.triu_indices
Pytorch Tensor的索引与切片例子
09-18
`index_select(dim, indices)`函数允许我们在指定的维度上选择特定的索引。例如，`a.index_select(0, torch.tensor([0, 2]))`将选取第一张和第三张图片，`a.index_select(1, torch.tensor([0, 2]))`选取R通道和B...
pytorch tensor查找0_在PyTorch中Tensor的查找和筛选例子
weixin_39594312的博客
01-17 305
本文源码基于版本1.0，交互界面基于0.4.1import torch按照指定轴上的坐标进行过滤index_select()沿着某tensor的一个轴dim筛选若干个坐标>>> x = torch.randn(3, 4) # 目标矩阵>>> xtensor([[ 0.1427, 0.0231, -0.5414, -1.0009],[-0.4664, 0.2647...
torch.index_select与torch.gather
ltochange的博客
01-19 574
torch.index_select index_select 只能处理两维矩阵，指定行或者列的索引，按行或者按列取出 # indices 只能是一维 x = torch.tensor([[1, 2, 3, 4], [5, 6, 7, 8], [2, 2, 3, 4]]) print(x) indices = torch.tensor([0, 2]) print(torch.index_select(x, 0, indices)) # 按行取 print(torch.index_select(x,
pytorch，numpy两种方法实现nms类间+类内
gy77
08-10 621
类间：也就是不同类之间也进行nms 类内：就是只把同类的bboxes进行nms。
pytorch笔记：torch.sparse类
qq_40206371的博客
10-10 1万+
1 构造稀疏矩阵 import torch i = torch.LongTensor([[0, 1, 1],[2, 0, 2]]) #row, col v = torch.FloatTensor([3, 4, 5]) #data torch.sparse.FloatTensor(i, v, torch.Size([2,3])).to_dense() #torch.Size ''' tensor([[0., 0., 3.], [4., 0., 5.]]) ''' 构造方法和
PyTorch：tensor-张量维度操作（拼接、维度扩展、压缩、转置、重复……）
热门推荐
皮皮blog
10-22 5万+
张量维度操作（拼接、维度扩展、压缩、转置、重复……）-柚子皮- torch.cat(seq, dim=0, out=None) 多个tensor拼接 在指定的维度dim上对序列seq进行连接操作。 参数： seq (sequence of Tensors) - Python序列或相同类型的张量序列 dim (int, optional) - 沿着此维度连接张量 out (Tensor, optional) - 输出参数 例子： x = torch.randn(2, 3) x -0.5866 -0.
torch中tensor的普通索引以及index_select、torch.gather
qq_43391414的博客
09-27 1万+
今天讲二维和三维数组如何索引，重点在二维，三维是从二维拓展而来。 二维 二维数组很容易索引，例如： c=torch.rand(2,3) print(c) #取行 print(c[[0,1],:]) #取列 print(c[:,[1,2]]) #取行列，所以就是某个元素了。 print(c[[0],[0]])#取(0,0) print(c[[0,0,0],[0,1,2]])#取(0,0),(0,1),(0,2) 需要注意的是，上述写成下述则不是我们想要的： index=torch.tensor(
【python函数】torch.index_select()函数用法解析
qq_43426908的博客
11-01 2079
  torch.index_select(){torch.index\_select()}torch.index_select()函数是用来对一个张量进行选择的   该函数有四个参数：   inputs{inputs}inputs：输入张量   dim{dim}dim：选择张量的维度   indices{indices}indices：所选维度的哪一个，哪一行或哪一列   out{out}out：选择输出到哪一个张量 随机生成size为[3,4,6]的张量 选择第0维度的第1个 import torch
pytorch 查找指定元素的索引
t20134297的博客
11-04 2万+
在pytorch中，我们经常需要查找tensor中某一个元素的索引，可能是在向量中查找索引，也可能是在矩阵中查找索引，下面分贝举例子： 1.在矩阵中查找某个指定元素的索引： import torch import numpy as np a = torch.tensor( [[1,2,3],[4,5,6],[5,6,7],[6,7,8]] ) a_t2n = a.numpy() index = np.argwhere( a_t2n>4 ) print(index) 运行结果如下： [
pytorch每日一学34(torch.index_select())从tensor中按维度取出指定索引的元素
Fluid_ray的博客
12-01 6908
第34个方法 torch.index_select(input, dim, index, *, out=None) → Tensor 此方法的作用是，根据dim取出input中的index对应的元素，并且返回一个tensor，首先是参数介绍 input(Tensor)：输入的tensor。 dim(int)：指定我们要进行索引选择的维度。 index(LongTensor)：索引。 out：输出tensor。 使用方法： >>> x = torch.randn(3, 4) >&
【pytorch学习】torch.empty
UESTC_201722的博客
11-07 2万+
torch.empty torch.empty(*size, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False, pin_memory=False) → Tensor ''' Returns a tensor filled with uninitialized data. The sha...
【笔记】scatter_函数：用法如 torch.zeros(target.size(0), 2).scatter_(1,target,1).to(self.device)
nyist_yangguang的博客
07-06 3108
程序1：error 要知道错误的原因 RuntimeError: Expected index [1, 100] to be smaller than self [100, 2] apart from dimension 1 and to be smaller size than src [100, 2] 程序2： true import torch from PIL import Image import numpy as np import torch.nn as nn ......
Pytorch实现的LSTM、RNN模型结构
最新发布
知识搬运者
09-19 3162
LSTM的另外两个输入是 h0 和 c0，可以理解成网络的初始化参数，用随机数生成即可。
pytorch tensor取出不为0的值并进行合并
09-05
要取出PyTorch张量中不为0的值，并将它们合并到一个新的张量中，可以按照以下步骤进行： 1. 导入PyTorch库：首先需要导入PyTorch库，以便使用其中的函数和类。 2. 创建张量：可以使用torch.Tensor()函数创建一个张量，也可以根据实际需求选择其他合适的张量创建方式。 3. 获取不为0的元素：使用张量的非零索引函数(如nonzero())可以获取张量中所有不为0的元素的索引。例如，若张量名为"tensor"，则可以通过tensor.nonzero()获取不为0的元素索引。 4. 提取不为0的值：通过索引将不为0的值从原始张量中提取出来。例如，可以使用tensor[indices]将不为0的值提取出来，其中indices是通过nonzero()函数获取的不为0元素的索引。 5. 合并提取的值：将提取的不为0的值使用torch.cat()函数进行合并。可以使用torch.cat(tensor_list, dim)来将多个张量在指定维度上进行合并。其中，tensor_list是一个张量的列表，dim是要在哪个维度上进行合并。 具体代码如下所示： ```python import torch # 创建张量 tensor = torch.tensor([[1, 0, 3], [0, 5, 0], [7, 0, 9]]) # 获取不为0的元素索引 nonzero_indices = tensor.nonzero() # 提取不为0的值 nonzero_values = tensor[nonzero_indices] # 合并提取的值 merged_tensor = torch.cat(nonzero_values, dim=0) print(merged_tensor) ``` 这样就可以获取并合并原始张量中的所有不为0的值到一个新的张量中。
评论
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