numpy array&pytorch tensor高级索引之整数数组索引

最新推荐文章于 2024-03-10 11:31:01 发布
最新推荐文章于 2024-03-10 11:31:01 发布
阅读量278 收藏 1
点赞数
分类专栏： python学习 文章标签： python numpy pytorch
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/weixin_43883362/article/details/127634237
版权

参考：菜鸟教程
整数数组索引，可以将矩阵的部分或全部元素按任意顺序组合为一个新矩阵，原矩阵中的元素在新矩阵中可出现0次或多次，新矩阵可以为任意大小
下面以numpy举例，pytorch 类似

例1：
在这里插入图片描述
其中row的shape[0]决定输出矩阵的行数，col的shape[1]决定输出矩阵的列数

例2：（接上例）
在这里插入图片描述
broadcast机制：row的shape[1]为1，或col的shape[0]为1时可进行broadcast，否则row和col的shape必须相同

Gεorge
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
AdvancedIndexing-PyTorch:（批次）PyTorch的高级索引
03-15
AdvancedIndexing-PyTorch （批量）PyTorch的高级索引。 torch_index软件包设计用于在PyTorch张量上执行高级索引。 除了支持基本索引方法（矢量索引，外部索引，numpy样式索引，pytorch样式索引）之外，它还支持批量索引。 也就是说，张量的索引可能在不同的批处理索引中有所不同。 榜样胜过戒律！ import torch from torch_index import batch from torch_index import btindex a = torch . rand ( 2 , 3 , 6 , 7 , 8 ) blist = torch . tensor ([ [[ 0 , 1 ], [ 0 , 3 ], [ 0 , 5 ]], [[ 1 , 2 ], [ 1 , 3 ], [ 1 , 5 ]] ]) asse
numpy array 以及pytorch tensor 的索引（切片索引，整型索引）
xiaojiajia007的博客
08-02 1024
我们知道，在python中，变量的赋值‘＝’其实是对原始变量的引用，是一种绑定。因此有时我们为了创建新的变量而不影响原始数据，需要使用拷贝（copy），这也是赋值和拷贝的不同。 numpy中的索引有切片索引（slice array indexing）和整型索引（integer array indxing） 其中，numpy array中的切片索引（slice）是对原始数组的一个view，会影响...
Pytorch---多维数组运算过程的索引处理
weixin_30498807的博客
08-29 950
背景：对 python 不熟悉，能看懂代码，也能实现一些简单的功能，但是对 python 的核心思想和编程技巧不熟，所以使 Pytorch 写 loss 的时候遇到很多麻烦，尤其是在 batch_size > 1 的时候，做矩阵乘法之类的运算会觉得特别不顺手。所幸，在边查边写的过程中，理解了 python 中多维运算的实现规则。 1、python 的基本索引规则 　　从 0 开始 ...
PyTorch-高级索引
ReaFly的博客
03-05 366
Pytorch高级索引
【pytorch】pytorch中的高级索引
a_piece_of_ppx的博客
10-25 736
介绍pytorch的高级索引，是一些切片索引
将pytorch转成longtensor的简单方法
09-17
其中，LongTensor是存储整数类型数据的Tensor，通常用于存储分类标签或需要进行索引操作的数据。将其他类型的Tensor转换为LongTensor是常见的操作，特别是当你需要对数据进行整数操作时。本文将详细解释如何将...
PyTorch | （3）Tensor及其基本操作
01-20
在PyTorch中，Tensor是核心数据结构，用于存储和操作多维数组。在本篇内容中，我们将深入探讨Tensor的属性、创建方法以及基本操作。 首先，Tensor的属性包括`torch.dtype`、`torch.device`和`torch.layout`。`torch...
Pytorch深度学习基础
03-12
此外，Tensor还支持NumPy中的一些高级索引操作，如整数索引和布尔索引。 **示例代码**： ```python a = torch.arange(9).view(3, 3) print("Tensor a:") print(a) # 基本索引 print("Basic indexing:") print(a[2,...
实验一 PyTorch基础
最新发布
05-15
- 使用`numpy()`方法将张量转换为NumPy数组，使用`torch.from_numpy(np_array)`将NumPy数组转换为张量。 ##### 5. CUDA操作 - 使用`to('cuda')`或`cuda()`方法将张量移动到GPU上进行计算。 #### 三、实验步骤与...
pytorch中的embedding词向量的使用方法
09-18
只需将一个包含单词索引的`LongTensor`作为输入，这个输入应该有两个维度：一个是batch大小（N），另一个是每个batch中需要提取的单词数（W）。输出则在两个维度上扩展到词嵌入的维度（embedding_dim）。例如，下面...
Pytorch 多维数组运算过程的索引处理方式
09-18
今天小编就为大家分享一篇Pytorch 多维数组运算过程的索引处理方式，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
pytorch索引查找 index_select的例子
01-01
index_select anchor_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 torch x = torch.linspace(1, 12, steps=12).view(3,4) print(x) indices = torch.LongTensor([0, 2]) y = torch.index_select(x, 0, ind
numpy/pytorch 高级索引(花式索引(index索引&数组索引&tuple索引) & 布尔索引)
hxxjxw的博客
08-16 7813
Python高级索引是一个很trick的操作，用的好可以提高效率，但是如果不了解也经常容易看不懂别人代码写的什么意思........ 高级索引大致可分为整数数组索引、布尔索引及花式索引三类 整数数组索引 整数数组索引指使用同形状的多个数组分别指定元素的所有维度（不指定的维度也可以用切片:或省略号...与索引数组组合），可精准取出一批指定位置的元素，按照给定数组形状返回。 例1： 取出x中(0,0)，(1,1)和(2,0)位置处的元素。 传入的位置......
python、numpy 、pytorch高级切片索引，[]放数组。
weixin_42080885的博客
05-11 444
python、numpy 、pytorch高级切片索引，[]放数组。 只实验了二维数组，表示对同一个维度进行多次切片，二维数组每行的值为每次的切片索引，有n行就切片n次，同时把该维度切成n个维度。 numpy和pytorch结果一样，只放了numpy代码。 直接上结果： import numpy as np a=np.random.randn(2,3,4) b=[[1,2],[0,1]] c=a[:,b,:] print(a) print("c--------") print(c) 结果： [[[-1.
pytorch使用 ... 进行高级索引切片
CSDN 精品推荐
11-14 265
举个应用场景，现有一个张量维度为【10，3，5，7，9】，我们想提取第一个维度的第一个数据，最后一个维度的最后一个数据，中间三个维度的数据全要。这种写法，其实这就是一种切片操作，它用于省略任意多个维度，可以用在切片的中间，也可以用在首尾。在pytorch源码中我们有时会看到。但是如果我们的数据维度过高，用。过于麻烦，这时我们就可以使用。
pytorch 检索数组
jacke121的专栏
10-13 2745
检索不为0的： import torch x = torch.Tensor([0,1,10,0,1]) print( torch.nonzero(x).squeeze()) 检索别的数据，可以转换为这个函数可用的
Numpy(高维数组) |Pytorch(张量) 索引读操作笔记
weixin_44815943的博客
04-13 2554
张量是一种多维单一数据类型数组，pytorch 索引张量继承 numpy 索引多维数组。两者均遵守 x[obj] 索引语法，obj 称为索引对象。根据 obj 的不同情形，有“基础索引”， “高级索引”， “字段访问（field access）”三种形式， 本文主要记录前两者。   基础索引 当索引对象是元组时，遵守基础索引规则， 注意x1, x2, x3 是元组 (x1, x2, x3)的等价形式。 当只需索引单一元素时，类似于标准 python 序列对象索引操作，索引号从0开始， 支持负数。当
pytorch中的数据索引
jakelihua
03-10 1186
在PyTorch中，数据索引是指在处理张量（Tensor）时访问或操作特定元素的过程。索引在数据处理和深度学习中是非常常见且重要的操作，它允许我们以各种方式访问数据集中的元素，执行数据的切片、提取、过滤等操作。
python、numpy、Pytorch中的索引方式
a171232886的博客
11-21 839
python、numpy、Pytorch中的索引方式Numpy下标索引切片索引布尔索引花式索引(Fancy indexing)先从简单的情况看起稍微复杂点的切片考虑广播机制Python下标索引和切片索引布尔索引花式索引Pytorch下标索引和切片索引布尔索引花式索引参考 能用索引方式过多，不止下标索引。自己写程序还好，关键是看人家写的程序，有时候会晕掉，不知所云。故在此总结。 首先对Numpy的下标索引、切片索引、布尔索引和花式索引进行介绍和分析，然后研究Python和Pytorch中的索引方式是否包括以上
from skimage.segmentation import slic, mark_boundaries import torchvision.transforms as transforms import numpy as np from PIL import Image import matplotlib.pyplot as plt # 加载图像 image = Image.open('3.jpg') # 转换为 PyTorch 张量 transform = transforms.ToTensor() img_tensor = transform(image).unsqueeze(0) # 将 PyTorch 张量转换为 Numpy 数组 img_np = img_tensor.numpy().transpose(0, 2, 3, 1)[0] # 使用 SLIC 算法生成超像素标记图 segments = slic(img_np, n_segments=60, compactness=10) # 可视化超像素索引映射 plt.imshow(segments, cmap='gray') plt.show() # 将超像素索引映射可视化 segment_img = mark_boundaries(img_np, segments) # 将 Numpy 数组转换为 PIL 图像 segment_img = Image.fromarray((segment_img * 255).astype(np.uint8)) # 保存超像素索引映射可视化 segment_img.save('segment_map.jpg')，在上述代码中加入超像素池化模块，并将得到的超像素池化后的特征图可视化
06-09
好的，你需要在代码中加入超像素池化模块，可以使用PyTorch中的`torch.nn.AdaptiveMaxPool2d`或`torch.nn.AdaptiveAvgPool2d`函数。这些函数可以根据输入张量的大小自适应地进行最大池化或平均池化，而无需指定池化层的大小。下面是修改后的代码： ``` from skimage.segmentation import slic, mark_boundaries import torchvision.transforms as transforms import numpy as np from PIL import Image import matplotlib.pyplot as plt import torch.nn as nn import torch # 定义超像素池化层 class SuperpixelPooling(nn.Module): def __init__(self, n_segments): super(SuperpixelPooling, self).__init__() self.n_segments = n_segments def forward(self, x): # 获取超像素标记图 segments = slic(x, n_segments=self.n_segments, compactness=10) # 将超像素标记图转换为张量 segments_tensor = torch.from_numpy(segments).unsqueeze(0).float() # 在超像素维度上进行最大池化 pooled = nn.AdaptiveMaxPool2d((self.n_segments, 1))(x * segments_tensor) # 压缩超像素维度 pooled = pooled.squeeze(3) # 返回池化后的特征图 return pooled # 加载图像 image = Image.open('3.jpg') # 转换为 PyTorch 张量 transform = transforms.ToTensor() img_tensor = transform(image).unsqueeze(0) # 将 PyTorch 张量转换为 Numpy 数组 img_np = img_tensor.numpy().transpose(0, 2, 3, 1)[0] # 使用 SLIC 算法生成超像素标记图 segments = slic(img_np, n_segments=60, compactness=10) # 将超像素标记图转换为张量 segments_tensor = torch.from_numpy(segments).unsqueeze(0).float() # 将超像素索引映射可视化 plt.imshow(segments, cmap='gray') plt.show() # 将 Numpy 数组转换为 PIL 图像 segment_img = Image.fromarray((mark_boundaries(img_np, segments) * 255).astype(np.uint8)) # 保存超像素索引映射可视化 segment_img.save('segment_map.jpg') # 使用超像素池化层进行池化 pooling_layer = SuperpixelPooling(n_segments=60) pooled_tensor = pooling_layer(img_tensor) # 将超像素池化后的特征图可视化 plt.imshow(pooled_tensor.squeeze().numpy().transpose(1, 0), cmap='gray') plt.show() ``` 在代码中，我们定义了一个`SuperpixelPooling`类作为超像素池化层，并在其中实现了超像素池化的操作。在主函数中，我们首先使用SLIC算法生成超像素标记图，然后将其转换为张量形式。接下来，我们使用超像素池化层对输入张量进行池化，得到池化后的特征图。最后，我们将池化后的特征图可视化。
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