pytorch中多维度索引切片

以三维的形状举例（[[[.........]]]）：

比如现在有一个三维形状的矩阵：[2, 7, 8]，切片时要对应的写：[:, :, :]，三个冒号分别代表要取第一维、第二维、第三维位置上的元素。(索引下标从0开始)

取法说明：

1. 第一个维度(最外面的[])：表示有2个7行8列的矩阵，相当于批次的控制信息。
2. 第二个维度(中间的[])：    表示要取第几个批次的第几行。
3. 第三个维度(随后一个[])：表示要取第几个批次中的第几行里的第几个元素。

下面看代码实例：

import torch
torch.manual_seed(2)
a = torch.randint(1, 10, (2, 7, 8))
print(a)
>>>
tensor([[[1, 7, 9, 1, 9, 4, 1, 5],
         [9, 7, 7, 2, 3, 2, 4, 3],
         [2, 3, 3, 7, 2, 4, 5, 3],
         [2, 7, 5, 1, 1, 2, 6, 6],
         [9, 6, 4, 9, 9, 4, 3, 9],
         [4, 5, 2, 9, 6, 5, 2, 3],
         [3, 4, 6, 9, 2, 4, 7, 9]],

        [[8, 4, 2, 3, 4, 1, 1, 5],
         [1, 9, 3, 7, 9, 2, 6, 2],
         [9, 4, 5, 3, 4, 8, 3, 6],
         [1, 2, 7, 5, 1, 8, 9, 9],
         [1, 7, 6, 4, 1, 5, 6, 5],
         [2, 1, 2, 9, 8, 2, 3, 6],
         [1, 1, 6, 6, 1, 4, 8, 1]]])
--------------------------------------------------------------------
print(a[:, :, :])  # 和a的输出结果一模一样，都是3维，这里不做展示
print(a[:, :])     # 和a的输出结果一模一样，都是3维，这里不做展示
print(a[:])        # 和a的输出结果一模一样，都是3维，这里不做展示
# 说明：也就是说最外面的维度 控制信息程度是最强的，其次是下一个
--------------------------------------------------------------------
print(a[:, 0])
>>>tensor([[1, 7, 9, 1, 9, 4, 1, 5],
           [8, 4, 2, 3, 4, 1, 1, 5]])
# 说明：第一个维度取所有批次，第二个维度取每个批次的第0行，维度会降成2维，结果如上所示。 
--------------------------------------------------------------------
print(a[1, 2, 3])
>>>tensor(3)
# 说明：第一个维度取第1个批次，第二个维度取第1个批次中的第2行，第三个维度取第1个批次中的第2行里的第3个元素。结果如上所示。