首页 > 学术百科

PytorchTensor的索引与切片例子

PytorchTensor的索引与切⽚例⼦

1. Pytorch风格的索引

根据Tensor的shape，从前往后索引，依次在每个维度上做索引。

⽰例代码：

import torch

a = torch.rand(4, 3, 28, 28)

print(a[0].shape) #取到第⼀个维度

print(a[0, 0].shape) # 取到⼆个维度

print(a[1, 2, 2, 4]) # 具体到某个元素

上述代码创建了⼀个shape=[4, 3, 28, 28]的Tensor，我们可以理解为4张图⽚，每张图⽚有3个通道，每个通道是28x28的图像数据。a代表这个Tensor，a后⾯跟着的列表[]表⽰对Tensor进⾏索引，a的维度dim = 4，决定了[]中的元素个数不能超过4个，[]中的值表⽰对应维度上的哪⼀个元素，⽐如 a[0]表⽰取第⼀

个维度上的第⼀个元素，可以理解为第⼀张图⽚，a[1]表⽰取第⼀个维度上的第⼆个元素，可以理解为第⼆张图⽚。a[0, 0]表⽰取第⼀个维度上第⼀个元素的与第⼆个维度上的第⼀个元素，也就是第⼀张图⽚第⼀个通道的元素。a[1, 2, 2, 4]表⽰取第第⼀个维度上的第⼆个元素与第⼆个维度上的第三个元素与第三个维度上的第三个元素与第四个维度上的第5个元素，也就是第⼆张图⽚第三个通道第三⾏第四列的像素值是⼀个标量值。

输出结果：

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

torch.Size([28, 28])温度自动控制系统

tensor(0.1076)

2. python风格的索引

⽰例代码：

import torch

# 譬如：4张图⽚，每张三个通道，每个通道28⾏28列的像素

a = torch.rand(4, 3, 28, 28)

# 在第⼀个维度上取后0和1，等同于取第⼀、第⼆张图⽚

print(a[:2].shape)

# 在第⼀个维度上取0和1，在第⼆个维度上取0，

# 等同于取第⼀、第⼆张图⽚中的第⼀个通道

十六大领导班子print(a[:2, :1, :, :].shape)

# 在第⼀个维度上取0和1，在第⼆个维度上取1,2，

# 等同于取第⼀、第⼆张图⽚中的第⼆个通道与第三个通道

print(a[:2, 1:, :, :].shape)

# 在第⼀个维度上取0和1，在第⼆个维度上取1,2，

# 等同于取第⼀、第⼆张图⽚中的第⼆个通道与第三个通道

print(a[:2, -2:, :, :].shape)

# 使⽤step隔⾏采样

# 在第⼀、第⼆维度取所有元素，在第三、第四维度隔⾏采样

# 等同于所有图⽚所有通道的⾏列每个⼀⾏或者⼀列采样

# 注意：下⾯的代码不包括28

print(a[:, :, 0:28:2, 0:28:2].shape)

print(a[:, :, ::2, ::2].shape) # 等同于上⾯语句

注意：负值的索引即表⽰倒数第⼏个元素，-2就是倒数第⼆个元素。

蛹草

输出结果：

torch.Size([2, 3, 28, 28])

torch.Size([2, 1, 28, 28])

torch.Size([2, 2, 28, 28])

3. index_select（）选择特定索引

选择特定下标有时候很有⽤，⽐如上⾯的a这个Tensor可以看作4张RGB（3通道）的MNIST图像，长宽都是28px。那么在第⼀维度上可以选择特定的图⽚，在第⼆维度上选择特定的通道，在第三维度上选择特定的⾏等：

# 选择第⼀张和第三张图

print(a.index_select(0, sor([0, 2])).shape)

# 选择R通道和B通道

print(a.index_select(1, sor([0, 2])).shape)

# 选择图像的0~8⾏

print(a.index_select(2, torch.arange(8)).shape)

注意：index_select（）的第⼆个索引参数必须是Tensor类型输出结果：

torch.Size([2, 3, 28, 28])

torch.Size([4, 2, 28, 28])说客盈门

torch.Size([4, 3, 8, 28])

4. 使⽤ ... 索引任意多的维度

import torch

a = torch.rand(4, 3, 28, 28)

# 等与a

print(a[...].shape)

# 第⼀张图⽚的所有维度

print(a[0, ...].shape)

# 所有图⽚第⼆通道的所有维度

print(a[:, 1, ...].shape)

# 所有图像所有通道所有⾏的第⼀、第⼆列

print(a[..., :2].shape)

输出结果：

紫海胆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

⽰例代码：

import torch

a = torch.randn(3, 4)

print(a)

# ⽣成a这个Tensor中⼤于0.5的元素的掩码

mask = a.ge(0.5)

print(mask)

# 取出a这个Tensor中⼤于0.5的元素

val = torch.masked_select(a, mask)

print(val)

print(val.shape)

输出结果：

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已经被打平。6. take索引

take索引是在原来Tensor的shape基础上打平，然后在打平后的Tensor上进⾏索引。

⽰例代码：

import torch

a = sor([[3, 7, 2], [2, 8, 3]])

print(a)

print(torch.take(a, sor([0, 1, 5])))

输出结果：

tensor([[3, 7, 2],

[2, 8, 3]])

tensor([3, 7, 3])

加里曼丹以上这篇Pytorch Tensor的索引与切⽚例⼦就是⼩编分享给⼤家的全部内容了，希望能给⼤家⼀个参考，也希望⼤家多多⽀持。

本文发布于:2024-09-22 23:21:48，感谢您对本站的认可！

本文链接：https://www.17tex.com/xueshu/155518.html

上一篇：基于激光扫描的带式输送机瞬时煤量检测方法

下一篇：信息存储与检索

标签：维度通道元素打平希望注意

留言与评论（共有 0 条评论）