Pytorch中Tensor索引與切片的示例分析

這篇文章將為大家詳細講解有關Pytorch中Tensor索引與切片的示例分析，小編覺得挺實用的，因此分享給大家做個參考，希望大家閱讀完這篇文章后可以有所收獲。

1. Pytorch風格的索引

根據Tensor的shape，從前往后索引，依次在每個維度上做索引。

示例代碼：

import torch
 
a = torch.rand(4, 3, 28, 28)
print(a[0].shape) #取到第一個維度
print(a[0, 0].shape) # 取到二個維度
print(a[1, 2, 2, 4]) # 具體到某個元素

上述代碼創建了一個shape=[4, 3, 28, 28]的Tensor，我們可以理解為4張圖片，每張圖片有3個通道，每個通道是28x28的圖像數據。a代表這個Tensor，a后面跟著的列表[]表示對Tensor進行索引，a的維度dim = 4,決定了[]中的元素個數不能超過4個，[]中的值表示對應維度上的哪一個元素，比如 a[0]表示取第一個維度上的第一個元素，可以理解為第一張圖片，a[1]表示取第一個維度上的第二個元素，可以理解為第二張圖片。a[0, 0]表示取第一個維度上第一個元素的與第二個維度上的第一個元素，也就是第一張圖片第一個通道的元素。a[1, 2, 2, 4]表示取第第一個維度上的第二個元素與第二個維度上的第三個元素與第三個維度上的第三個元素與第四個維度上的第5個元素，也就是第二張圖片第三個通道第三行第四列的像素值是一個標量值。

輸出結果：

torch.Size([3, 28, 28])
torch.Size([28, 28])
tensor(0.1076)

2. python風格的索引

示例代碼：

import torch
 
# 譬如：4張圖片，每張三個通道，每個通道28行28列的像素
a = torch.rand(4, 3, 28, 28)
 
# 在第一個維度上取后0和1，等同于取第一、第二張圖片
print(a[:2].shape) 
 
# 在第一個維度上取0和1,在第二個維度上取0，
# 等同于取第一、第二張圖片中的第一個通道
print(a[:2, :1, :, :].shape) 
 
# 在第一個維度上取0和1,在第二個維度上取1,2，
# 等同于取第一、第二張圖片中的第二個通道與第三個通道
print(a[:2, 1:, :, :].shape) 
 
# 在第一個維度上取0和1,在第二個維度上取1,2，
# 等同于取第一、第二張圖片中的第二個通道與第三個通道
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：負值的索引即表示倒數第幾個元素，-2就是倒數第二個元素。

輸出結果：

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

選擇特定下標有時候很有用，比如上面的a這個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（）的第二個索引參數必須是Tensor類型

輸出結果：

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Tensor中大于0.5的元素的掩碼
mask = a.ge(0.5)
print(mask)
 
# 取出a這個Tensor中大于0.5的元素
val = torch.masked_select(a, mask)
print(val)
print(val.shape)

輸出結果：

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已經被打平。

6. take索引

take索引是在原來Tensor的shape基礎上打平，然后在打平后的Tensor上進行索引。

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])))

輸出結果：

tensor([[3, 7, 2],
    [2, 8, 3]])
tensor([3, 7, 3])

關于“Pytorch中Tensor索引與切片的示例分析”這篇文章就分享到這里了，希望以上內容可以對大家有一定的幫助，使各位可以學到更多知識，如果覺得文章不錯，請把它分享出去讓更多的人看到。