橙 建网站,网站建设范围,哪个网站容易做二级域名,做网站是买服务器还是买主机本次将介绍一下 Tensor 张量常用的索引与切片的方法#xff1a;
1. index 索引
index 索引值表示相应维度值的对应索引
a torch.rand(4, 3, 28, 28)
print(a[0].shape) # 返回维度一的第 0 索引 tensor
print(a[0, 0].shape) # 返回维度一 0 索引位置…本次将介绍一下 Tensor 张量常用的索引与切片的方法
1. index 索引
index 索引值表示相应维度值的对应索引
a torch.rand(4, 3, 28, 28)
print(a[0].shape) # 返回维度一的第 0 索引 tensor
print(a[0, 0].shape) # 返回维度一 0 索引位置维度二 0 索引位置的 tensor
print(a[0, 0, 0].shape) # 返回维度一 0 索引维度二 0 索引维度三 0索引的 tensor
print(a[0, 0, 2, 4].shape) # 返回维度一 0 索引维度二 0 索引维度三 2索引维度四 4索引位置的 tensor (dim 0)
print(a[0, 0, 2, 4])# 输出结果
torch.Size([3, 28, 28])
torch.Size([28, 28])
torch.Size([28])
torch.Size([])
tensor(0.4504)2. select first/last N
返回前 N 个或后 N 个的 tensor
【:】表示该维度所有值
【:2】表示从索引 0 开始到索引 2 的值包首不包尾
【1:】表示索引 1 开始到最后
【-2:】表示倒数第二个值到最后
【…】表示一个或几个维度不变
a torch.rand(4, 3, 28, 28)
print(a[:2].shape) # 返回维度一索引 0 ~ 2 的 tensor相当于 a[:2, :, :, :].shape, : 表示都选择
print(a[:2, :1, :, :].shape) # 返回维度一索引 0 ~ 2维度二索引 0 ~ 1 的 tensor
print(a[:2, :1, :3, :4].shape) # 返回维度一索引 0 ~ 2维度二索引 0 ~ 1维度三索引 0 ~ 3维度四索引 0 ~ 4 的 tensor
print(a[:2, 1:, :, :].shape) # 返回维度一索引 0 ~ 2维度二索引 1 ~ 3 的 tensor
print(a[:2, -2:, :, :].shape) # 返回维度一索引 0 ~ 2维度二索引 1 ~ 3 的 tensor# ---------【...】的应用 --------------
print(a[...].shape) # 表示返回一样的 a
print(a[0, ...].shape) # 表示返回维度一索引 0 位置的 tensor
print(a[:, 1, ...].shape) # 表示返回维度二索引 1 位置的 tensor
print(a[:, :, 2, ...].shape) # 表示返回维度三索引 2 位置的 tensor
print(a[..., 10].shape) # 表示返回维度四索引 10 位置的 tensor
print(a[..., :2].shape) # 表示返回维度四索引 0 ~2 数量的 tensor# 输出结果
torch.Size([2, 3, 28, 28])
torch.Size([2, 1, 28, 28])
torch.Size([2, 1, 3, 4])
torch.Size([2, 2, 28, 28])
torch.Size([2, 2, 28, 28])# ---------【...】的应用的输出结果 --------------
torch.Size([4, 3, 28, 28])
torch.Size([3, 28, 28])
torch.Size([4, 28, 28])
torch.Size([4, 3, 28])
torch.Size([4, 3, 28])
torch.Size([4, 3, 28, 2])3. select by steps
按一定的间隔 steps 返回 tensor
【0:28:2】表示从索引 0 开始到 28间隔 2 取数所以为 14
有二个冒号便是按一定间隔取
a torch.rand(4, 3, 28, 28)
print(a[:, :, 0:28:2, 0:28:4].shape)#输出结果
torch.Size([4, 3, 14, 7])4. index_select(intputTensor, dim, indexTensor)
根据输入的 inputTensor 按指定的维度索引 dim返回与 indexTensor 一样的 size其它维度不变的新 tensor
a torch.rand(4, 3, 28, 28)
b a.index_select(2, torch.arange(8)) # 也可以 inputTensor 直接调用
c torch.index_select(a, 2, torch.arange(8)) # 建议用这种形式返回 a 第 3 个维度与 torch.arange(8)一样 size 其它维度不变的新 tensor
print(b.shape)
print(c.shape)# 输出结果
torch.Size([4, 3, 8, 28])
torch.Size([4, 3, 8, 28])
5. masked_select(intputTensor, maskTensor)
返回一个满足 maskTensor 条件的一维 tensor
a torch.rand(3, 4)
print(a)
x a.ge(0.5) # 大于 0.5 的 bool 张量
print(x)
print(a.masked_select(x)) # 返回值大于 0.5 的一维张量
print(torch.masked_select(a, x)) # 和上面一样但建议用这种形式# 输出结果
tensor([[0.0169, 0.1965, 0.7381, 0.9250],[0.8292, 0.2519, 0.1531, 0.8987],[0.1365, 0.4650, 0.4005, 0.7589]])
tensor([[False, False, True, True],[ True, False, False, True],[False, False, False, True]])
tensor([0.7381, 0.9250, 0.8292, 0.8987, 0.7589])
tensor([0.7381, 0.9250, 0.8292, 0.8987, 0.7589])
6. take(inputTensor, indexTensor)
根据一维的索引张量 indexTensor返回一个新的一维 tensorinputTensor 看成是一维的。
a src torch.tensor([[4, 3, 5],[6, 7, 8]])
print(a.size())
b torch.tensor([0, 2, 5]) # 如 0 -- 4, 2 -- 5, 5 -- 8
c torch.take(a, b)
print(c)
print(c.size())# 输出结果
torch.Size([2, 3])
tensor([4, 5, 8])
torch.Size([3])
总结涉及到索引就会存在索引越界的常见问题如下所示在使用的时候要注意一下。
IndexError: index 29 is out of bounds for dimension 1 with size 28
有不足之处欢迎一起交流学习
