东莞微客巴巴做网站,开源php网站开发,app网站建站系统下载,网页设计师1 张量的符号索引
张量也是有序序列#xff0c;我们可以根据每个元素在系统内的顺序位置#xff0c;来找出特定的元素#xff0c;也就是索引。
1.1 一维张量的索引
一维张量由零维张量构成
一维张量索引与Python中的索引一样是是从左到右#xff0c;从0开始的#xff…
1 张量的符号索引
张量也是有序序列我们可以根据每个元素在系统内的顺序位置来找出特定的元素也就是索引。
1.1 一维张量的索引
一维张量由零维张量构成
一维张量索引与Python中的索引一样是是从左到右从0开始的遵循格式为[start: end: step]。
t1 torch.arange(1, 11)
t1
# tensor([ 1, 2, 3, 4, 5, 6, 7, 8, 9, 10])# 取出索引位置是0的元素
t1[0]
# tensor(1)注张量索引出的结果是零维张量而不是单独的数。要转化成单独的数还需使用上节介绍的item()方法。
可理解为构成一维张量的是零维张量而不是单独的数。
张量的step必须大于0
# 索引3-10号元素左闭右开默认step为1
t1[2: 8]
# tensor([3, 4, 5, 6, 7, 8])# step3隔3个数取一个左闭右开
t1[2: 8: 2]
# tensor([3, 5, 7])在Python中step可以为负数例如:
li [1, 2, 3]
# 列表倒叙排列取所有数值从后往前取
li[ ::-1]
# [3, 2, 1]但在张量中step必须大于1否则就会报错。
t1 torch.arange(1, 11)
t1[ ::-1]
# ValueError: step must be greater than zero1.2 二维张量的索引
二维张量的索引逻辑和一维张量的索引逻辑相同二维张量可以视为两个一维张量组合而成。
t2 torch.arange(1, 17).reshape(4, 4)
t2
#tensor([[ 1, 2, 3, 4],
# [ 5, 6, 7, 8],
# [ 9, 10, 11, 12],
# [13, 14, 15, 16]])t2[0,1]也可用t2[0][1]的表示。
# 表示索引第一行、第二个第二列的元素
t2[0, 1]
# tensor(2)t2[0][1]
# tensor(2)但是t2[::2, ::2]与t2[::2][ ::2]的索引结果就不同
t2[::2, ::2]
# tensor([[ 1, 3],
# [ 9, 11]])t2[::2][::2]
# tensor([[1, 2, 3, 4]])t2[::2, ::2]二维索引使用逗号隔开时可以理解为全局索引取第一行和第三行的第一列和第三列的元素。
t2[::2][::2]二维索引在两个中括号中时可以理解为先取了第一行和第三行构成一个新的二维张量然后在此基础上又间隔2并对所有张量进行索引。
tt t2[::2]
# tensor([[ 1, 2, 3, 4],
# [ 9, 10, 11, 12]])
tt[::2]
# tensor([[1, 2, 3, 4]])1.3 三维张量的索引
设三维张量的shape是x、y、z则可理解为它是由x个二维张量构成每个二维张量由y个一维张量构成每个一维张量由z个元素构成。
t3 torch.arange(1, 28).reshape(3, 3, 3)
t3
# tensor([[[ 1, 2, 3],
# [ 4, 5, 6],
# [ 7, 8, 9]],# [[10, 11, 12],
# [13, 14, 15],
# [16, 17, 18]],# [[19, 20, 21],
# [22, 23, 24],
# [25, 26, 27]]])# 索引第二个矩阵中的第二行、第二个元素
t3[1, 1, 1]
# tensor(14)# 索引第二个矩阵行和列都是每隔两个取一个
t3[1, ::2, ::2]
# tensor([[10, 12],
# [16, 18]])高维张量的思路与低维一样就是围绕张量的“形状”进行索引。
2 张量的函数索引
2.1 一维张量的函数索引
在PyTorch中我们还可以使用index_select函数指定index来对张量进行索引index的类型必须为Tensor。
index_select(dim, index)表示在张量的哪个维度进行索引索引的位值是多少。
t1 torch.arange(1, 11)
indices torch.tensor([1, 2])
# tensor([1, 2])
t1.index_select(0, indices)
# tensor([2, 3])对于t1这个一维向量来说由于只有一个维度第二个参数取值为0就代表在第一个维度上进行索引索引的位置是1和2。
注:这里取出的是位置而不是取出[1:2]区间内左闭右开的元素。
2.2 二维张量的函数索引
t2 torch.arange(12).reshape(4, 3)
t2
# tensor([[ 0, 1, 2],
# [ 3, 4, 5],
# [ 6, 7, 8],
# [ 9, 10, 11]])t2.shape
# torch.Size([4, 3])indices torch.tensor([1, 2])
t2.index_select(0,indices)
# tensor([[3, 4, 5],
# [6, 7, 8]])此时dim参数取值为0代表在shape的第一个维度上进行索引。
t2 torch.arange(12).reshape(4, 3)
indices torch.tensor([1, 1])
t2.index_select(1, indices)
# tensor([[ 1, 1],
# [ 4, 4],
# [ 7, 7],
# [10, 10]])此时dim参数取值为1代表在shape的第二个维度上进行索引。index参数的值为[1,1]就代表取出第二个维度上为1的元素2次。
下面可以再次理解
t2 torch.arange(12).reshape(4, 3)
t2
# tensor([[ 0, 1, 2],
# [ 3, 4, 5],
# [ 6, 7, 8],
# [ 9, 10, 11]])t2.shape
# torch.Size([4, 3])indices torch.tensor([2, 2, 2])
t2.index_select(1, indices)
# tensor([[ 2, 2, 2],
# [ 5, 5, 5],
# [ 8, 8, 8],
# [11, 11, 11]])取出第二个维度上为2的元素3次。
高维张量函数索引的思路与低维一样都是在shape的维度上进行操作。
在PyTorch中很多函数都采用的是第几维的思路后面会介绍给大家大家还需勤加练习适应这种思路。同时使用函数式索引在习惯后对代码可读性会有很大提升。
Pytorch张量操作大全
Pytorch使用教学1-Tensor的创建 Pytorch使用教学2-Tensor的维度 Pytorch使用教学3-特殊张量的创建与类型转化 Pytorch使用教学4-张量的索引 Pytorch使用教学5-视图view与reshape的区别 Pytorch使用教学6-张量的分割与合并 Pytorch使用教学7-张量的广播 Pytorch使用教学8-张量的科学运算 Pytorch使用教学9-张量的线性代数运算 Pytorch使用教学10-张量操作方法大总结
有关Pytorch建模相关的AI干货请扫码关注公众号「AI有温度」阅读获取
