输入:
import torch
x = torch.tensor([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
mask = torch.tensor([[0, 1, 0],
[1, 0, 1],
[0, 1, 0]], dtype=torch.bool)
result = torch.masked_select(x, mask)
print(result)
输出:
tensor([2, 4, 6, 8])
这段代码中,x
是一个形状为 (3, 3)
的张量,mask
是一个形状相同的布尔类型张量。torch.masked_select(x, mask)
将会根据 mask
中为 True
的位置,从 x
中选择对应位置的元素,生成一个新的一维张量 result
,包含了满足掩码条件的元素。在这个例子中,mask
中为 True
的位置对应的元素是 [2, 4, 6, 8]
,所以 result
将会是一个包含这些元素的一维张量。
需要注意的是,返回的结果张量是一维的,不会保留原始张量的形状,它仅包含根据掩码条件选取的元素。
类似操作:
输入:
import torch
x = torch.tensor([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
mask = torch.tensor([[0, 1, 0],
[1, 0, 1],
[0, 1, 0]], dtype=torch.bool)
print(x[mask==1])
输出:
tensor([2, 4, 6, 8])
这种操作是向量化条件索引,并且它的可操作性会比上面那种方式更高
注意:向量化条件索引只能在tensor或者numpy数据类型上使用,对于list数据类型无法使用,需要将其数据类型转换之后才能使用