這篇文章將為大家詳細(xì)講解有關(guān)Pytorch中Tensor索引與切片的示例分析，小編覺得挺實(shí)用的，因此分享給大家做個(gè)參考，希望大家閱讀完這篇文章后可以有所收獲。
1. Pytorch風(fēng)格的索引
根據(jù)Tensor的shape，從前往后索引，依次在每個(gè)維度上做索引。
示例代碼：
import torch a = torch.rand(4, 3, 28, 28) print(a[0].shape) #取到第一個(gè)維度 print(a[0, 0].shape) # 取到二個(gè)維度 print(a[1, 2, 2, 4]) # 具體到某個(gè)元素
上述代碼創(chuàng)建了一個(gè)shape=[4, 3, 28, 28]的Tensor，我們可以理解為4張圖片，每張圖片有3個(gè)通道，每個(gè)通道是28x28的圖像數(shù)據(jù)。a代表這個(gè)Tensor，a后面跟著的列表[]表示對(duì)Tensor進(jìn)行索引，a的維度dim = 4,決定了[]中的元素個(gè)數(shù)不能超過4個(gè)，[]中的值表示對(duì)應(yīng)維度上的哪一個(gè)元素，比如 a[0]表示取第一個(gè)維度上的第一個(gè)元素，可以理解為第一張圖片，a[1]表示取第一個(gè)維度上的第二個(gè)元素，可以理解為第二張圖片。a[0, 0]表示取第一個(gè)維度上第一個(gè)元素的與第二個(gè)維度上的第一個(gè)元素，也就是第一張圖片第一個(gè)通道的元素。a[1, 2, 2, 4]表示取第第一個(gè)維度上的第二個(gè)元素與第二個(gè)維度上的第三個(gè)元素與第三個(gè)維度上的第三個(gè)元素與第四個(gè)維度上的第5個(gè)元素，也就是第二張圖片第三個(gè)通道第三行第四列的像素值是一個(gè)標(biāo)量值。
輸出結(jié)果：
torch.Size([3, 28, 28]) torch.Size([28, 28]) tensor(0.1076)
2. python風(fēng)格的索引
示例代碼：
import torch # 譬如：4張圖片，每張三個(gè)通道，每個(gè)通道28行28列的像素 a = torch.rand(4, 3, 28, 28) # 在第一個(gè)維度上取后0和1，等同于取第一、第二張圖片 print(a[:2].shape) # 在第一個(gè)維度上取0和1,在第二個(gè)維度上取0， # 等同于取第一、第二張圖片中的第一個(gè)通道 print(a[:2, :1, :, :].shape) # 在第一個(gè)維度上取0和1,在第二個(gè)維度上取1,2， # 等同于取第一、第二張圖片中的第二個(gè)通道與第三個(gè)通道 print(a[:2, 1:, :, :].shape) # 在第一個(gè)維度上取0和1,在第二個(gè)維度上取1,2， # 等同于取第一、第二張圖片中的第二個(gè)通道與第三個(gè)通道 print(a[:2, -2:, :, :].shape) # 使用step隔行采樣 # 在第一、第二維度取所有元素，在第三、第四維度隔行采樣 # 等同于所有圖片所有通道的行列每個(gè)一行或者一列采樣 # 注意：下面的代碼不包括28 print(a[:, :, 0:28:2, 0:28:2].shape) print(a[:, :, ::2, ::2].shape) # 等同于上面語句
注意：負(fù)值的索引即表示倒數(shù)第幾個(gè)元素，-2就是倒數(shù)第二個(gè)元素。
輸出結(jié)果：
torch.Size([2, 3, 28, 28]) torch.Size([2, 1, 28, 28]) torch.Size([2, 2, 28, 28]) torch.Size([2, 2, 28, 28])
3. index_select（）選擇特定索引
選擇特定下標(biāo)有時(shí)候很有用，比如上面的a這個(gè)Tensor可以看作4張RGB（3通道）的MNIST圖像，長寬都是28px。那么在第一維度上可以選擇特定的圖片，在第二維度上選擇特定的通道，在第三維度上選擇特定的行等：
# 選擇第一張和第三張圖 print(a.index_select(0, torch.tensor([0, 2])).shape) # 選擇R通道和B通道 print(a.index_select(1, torch.tensor([0, 2])).shape) # 選擇圖像的0~8行 print(a.index_select(2, torch.arange(8)).shape)
注意：index_select（）的第二個(gè)索引參數(shù)必須是Tensor類型
輸出結(jié)果：
torch.Size([2, 3, 28, 28]) torch.Size([4, 2, 28, 28]) torch.Size([4, 3, 8, 28])
4. 使用 ... 索引任意多的維度
import torch a = torch.rand(4, 3, 28, 28) # 等與a print(a[...].shape) # 第一張圖片的所有維度 print(a[0, ...].shape) # 所有圖片第二通道的所有維度 print(a[:, 1, ...].shape) # 所有圖像所有通道所有行的第一、第二列 print(a[..., :2].shape)
輸出結(jié)果：
torch.Size([4, 3, 28, 28]) torch.Size([3, 28, 28]) torch.Size([4, 28, 28]) torch.Size([4, 3, 28, 2])
5. 使用mask索引
示例代碼：
import torch a = torch.randn(3, 4) print(a) # 生成a這個(gè)Tensor中大于0.5的元素的掩碼 mask = a.ge(0.5) print(mask) # 取出a這個(gè)Tensor中大于0.5的元素 val = torch.masked_select(a, mask) print(val) print(val.shape)
輸出結(jié)果：
tensor([[ 0.2055, -0.7070, 1.1201, 1.3325], [-1.6459, 0.9635, -0.2741, 0.0765], [ 0.2943, 0.1206, 1.6662, 1.5721]]) tensor([[0, 0, 1, 1], [0, 1, 0, 0], [0, 0, 1, 1]], dtype=torch.uint8) tensor([1.1201, 1.3325, 0.9635, 1.6662, 1.5721]) torch.Size([5])
注意：最后取出的 大于0.5的Tensor的shape已經(jīng)被打平。
6. take索引
take索引是在原來Tensor的shape基礎(chǔ)上打平，然后在打平后的Tensor上進(jìn)行索引。
示例代碼：
import torch a = torch.tensor([[3, 7, 2], [2, 8, 3]]) print(a) print(torch.take(a, torch.tensor([0, 1, 5])))
輸出結(jié)果：
tensor([[3, 7, 2], [2, 8, 3]]) tensor([3, 7, 3])
關(guān)于“Pytorch中Tensor索引與切片的示例分析”這篇文章就分享到這里了，希望以上內(nèi)容可以對(duì)大家有一定的幫助，使各位可以學(xué)到更多知識(shí)，如果覺得文章不錯(cuò)，請(qǐng)把它分享出去讓更多的人看到。
另外有需要云服務(wù)器可以了解下創(chuàng)新互聯(lián)scvps.cn，海內(nèi)外云服務(wù)器15元起步，三天無理由+7*72小時(shí)售后在線，公司持有idc許可證，提供“云服務(wù)器、裸金屬服務(wù)器、高防服務(wù)器、香港服務(wù)器、美國服務(wù)器、虛擬主機(jī)、免備案服務(wù)器”等云主機(jī)租用服務(wù)以及企業(yè)上云的綜合解決方案，具有“安全穩(wěn)定、簡單易用、服務(wù)可用性高、性價(jià)比高”等特點(diǎn)與優(yōu)勢，專為企業(yè)上云打造定制，能夠滿足用戶豐富、多元化的應(yīng)用場景需求。
重慶分公司
重慶分公司
