今天就跟大家聊聊有關index_select()函數(shù)怎么在pytorch中使用，可能很多人都不太了解，為了讓大家更加了解，小編給大家總結了以下內容，希望大家根據(jù)這篇文章可以有所收獲。

成都創(chuàng)新互聯(lián)公司長期為上千家客戶提供的網(wǎng)站建設服務，團隊從業(yè)經驗10年，關注不同地域、不同群體，并針對不同對象提供差異化的產品和服務；打造開放共贏平臺，與合作伙伴共同營造健康的互聯(lián)網(wǎng)生態(tài)環(huán)境。為景寧畬族自治企業(yè)提供專業(yè)的網(wǎng)站建設、成都網(wǎng)站建設，景寧畬族自治網(wǎng)站改版等技術服務。擁有10年豐富建站經驗和眾多成功案例,為您定制開發(fā)。

pytorch中index_select()的用法

index_select(input, dim, index)

功能:在指定的維度dim上選取數(shù)據(jù),不如選取某些行,列

參數(shù)介紹

• 第一個參數(shù)input是要索引查找的對象

• 第二個參數(shù)dim是要查找的維度,因為通常情況下我們使用的都是二維張量,所以可以簡單的記憶: 0代表行,1代表列

• 第三個參數(shù)index是你要索引的序列,它是一個tensor對象

剛開始學習pytorch，遇到了index_select(),一開始不太明白幾個參數(shù)的意思，后來查了一下資料，算是明白了一點。

a = torch.linspace(1, 12, steps=12).view(3, 4)
print(a)
b = torch.index_select(a, 0, torch.tensor([0, 2]))
print(b)
print(a.index_select(0, torch.tensor([0, 2])))
c = torch.index_select(a, 1, torch.tensor([1, 3]))
print(c)

先定義了一個tensor，這里用到了linspace和view方法。

第一個參數(shù)是索引的對象，第二個參數(shù)0表示按行索引，1表示按列進行索引，第三個參數(shù)是一個tensor，就是索引的序號，比如b里面tensor[0， 2]表示第0行和第2行，c里面tensor[1, 3]表示第1列和第3列。

輸出結果如下：

tensor([[ 1.,  2.,  3.,  4.],
        [ 5.,  6.,  7.,  8.],
        [ 9., 10., 11., 12.]])
tensor([[ 1.,  2.,  3.,  4.],
        [ 9., 10., 11., 12.]])
tensor([[ 1.,  2.,  3.,  4.],
        [ 9., 10., 11., 12.]])
tensor([[ 2.,  4.],
        [ 6.,  8.],
        [10., 12.]])

示例2

import torch
 
x = torch.Tensor([[[1, 2, 3],
          [4, 5, 6]],
 
         [[9, 8, 7],
          [6, 5, 4]]])
print(x)
print(x.size())
index = torch.LongTensor([0, 0, 1])
print(torch.index_select(x, 0, index))
print(torch.index_select(x, 0, index).size())
print(torch.index_select(x, 1, index))
print(torch.index_select(x, 1, index).size())
print(torch.index_select(x, 2, index))
print(torch.index_select(x, 2, index).size())

input的張量形狀為2×2×3，index為[0, 0, 1]的向量

分別從0、1、2三個維度來使用index_select()函數(shù)，并輸出結果和形狀，維度大于2就會報錯因為input較大只有三個維度

輸出：

tensor([[[1., 2., 3.],
         [4., 5., 6.]],
 
        [[9., 8., 7.],
         [6., 5., 4.]]])
torch.Size([2, 2, 3])
tensor([[[1., 2., 3.],
         [4., 5., 6.]],
 
        [[1., 2., 3.],
         [4., 5., 6.]],
 
        [[9., 8., 7.],
         [6., 5., 4.]]])
torch.Size([3, 2, 3])
tensor([[[1., 2., 3.],
         [1., 2., 3.],
         [4., 5., 6.]],
 
        [[9., 8., 7.],
         [9., 8., 7.],
         [6., 5., 4.]]])
torch.Size([2, 3, 3])
tensor([[[1., 1., 2.],
         [4., 4., 5.]],
 
        [[9., 9., 8.],
         [6., 6., 5.]]])
torch.Size([2, 2, 3])

對結果進行分析：

index是大小為3的向量，輸入的張量形狀為2×2×3

dim = 0時，輸出的張量形狀為3×2×3

dim = 1時，輸出的張量形狀為2×3×3

dim = 2時，輸出的張量形狀為2×2×3

注意輸出張量維度的變化與index大小的關系，結合輸出的張量與原始張量來分析index_select()函數(shù)的作用

看完上述內容，你們對index_select()函數(shù)怎么在pytorch中使用有進一步的了解嗎？如果還想了解更多知識或者相關內容，請關注創(chuàng)新互聯(lián)行業(yè)資訊頻道，感謝大家的支持。

當前題目：index_select()函數(shù)怎么在pytorch中使用-創(chuàng)新互聯(lián)
標題鏈接：http://weahome.cn/article/cedeij.html