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。