PyTorch 索引与切片-Tensor基本操作

已于 2024-06-12 09:27:40 修改
阅读量646 收藏 1
点赞数 9
CC 4.0 BY-SA版权
分类专栏： PyTorch 学习 文章标签： pytorch 人工智能 python
于 2024-06-11 15:21:09 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/CODE_RabbitV/article/details/139599258

以如下 tensor a 为例，展示常用的 indxing, slicing 及其他高阶操作

>>> a = torch.rand(4,3,28,28)
>>> a.shape
torch.Size([4, 3, 28, 28])

  • Indexing: 使用索引获取目标对象，[x,x,x,....]

    >>> a[0].shape
torch.Size([3, 28
最低0.47元/天 解锁文章

200万优质内容无限畅学
PyTorch深度学习实战（21）—— 索引操作
shangjg3的博客
08-19 278
4.None索引索引和切片是NumPy和PyTorch中的两种常用操作，本文将从基本索引入手帮助读者建立向量化思想。1.基本索引PyTorch中Tensor的索引和NumPy数组的索引类似，通过索引操作可以定位到数据的具体位置，也可以进行切片操作。基本索引有以下几种形式。元组序列：在索引中直接使用一个元组序列对Tensor中数据的具体位置进行定位，也可以直接使用多个整数（等价于元组序列省略括号的形式）代替。切片对象（Slice Object）：在索引中常见的切片对象形如。
每天五分钟深度学习PyTorch：Tensor张量的索引和切片
最新发布
huanfeng_AI的博客
06-05 567
有时候当我们拥有一个Tensor张量的时候，我们可能需要获取它某一维度的信息，那么此时我们就需要索引和切片的技术，它们可以帮助我们解决这些问题。
Pytorch索引、切片、连接
qq_44815135的博客
05-28 938
torch.hstack() 是 PyTorch 中的一个函数，用于沿着水平方向（列维度）堆叠张量来创建一个新的张量。torch.column_stack() 是 PyTorch 中的一个函数，用于按列堆叠张量来创建一个新的张量。torch.masked_select() 是 PyTorch 中的一个函数，用于根据给定的掩码从输入张量中选择元素并返回一个新的张量。torch.index_select() 是 PyTorch 中的一个函数，用于按索引从输入张量中选择元素并返回一个新的张量。
torch Tensor学习：切片操作
weixin_34327761的博客
02-10 2850
torch Tensor学习：切片操作torchTensorSlice一直使用的是matlab处理矩阵，想从matlab转到lua+torch上，然而在matrix处理上遇到了好多类型不匹配问题。所以这里主要总结一下torch/Tensor中切片操作方法以及其参数类型，以备查询。 已知有矩阵M M=torch.range(1,20):resize(4,5) th> M 1 2 ...
【PyTorch】PyTorch中张量(Tensor)切片操作
goldfisheye的博客
02-10 4823
上文介绍了PyTorch中改变张量(Tensor)形状的操作，本文主要介绍张量切片操作。
torch.tensor索引
weixin_41529093的博客
08-12 373
仅作为记录，大佬请跳过。 用outputs[0][0] outputs # tensor([[ 7.7213, -7.2519]], device='cuda:0') # tensor([[ 7.3663, -7.1830]], device='cuda:0') # tensor([[-5.6146, 5.7881]], device='cuda:0') # a=np.array((torch.max(outputs).data.cpu()-(-10))/20) # a outputs.size() ou
PyTorch深度学习基础---Tensor的索引和切片
Ting_28的博客
03-10 707
Tensor支持基本索引和切片操作。Tensor支持ndarray中的高级索引（整数索引和布尔索引）操作。torch.nonzero用于返回非零值的索引矩阵。torch.where（condition，x，y）判断condition的条件是否满足。
Pytorch语法-tensor基本操作
baidu_15434583的博客
10-22 1155
pytorch自学，主要是tensor的基本操作，包括索引，增加减少维度等等
Pytorch Tensor的索引与切片例子
09-18
在本篇中，我们将深入探讨PyTorch Tensor的索引与切片操作，这对于理解和处理Tensor数据至关重要。 1. PyTorch风格的索引： PyTorch中的索引类似于NumPy的索引方式，按照Tensor的形状从前往后进行逐维索引。例如，...
Pytorch：张量的索引操作
m0_63997099的博客
04-18 1498
在 PyTorch（以及其他类似的库，如 NumPy）中，使用张量进行布尔表达式的操作本质上是一种称为“元素级”或“元素对元素”的操作。高级索引是一种在 PyTorch 和 NumPy 中常用的索引方法，它允许你从数组或张量中选择复杂的、非连续的数据子集。函数是一个实用的张量操作，它用于从输入张量中按照指定的索引来提取元素。当在两个不同大小的张量上进行操作时，较小的张量会自动“扩展”其维度以匹配较大张量的形状。这种索引方式，通过在索引中，给定多个列表或多个张量，索引按这个列表或张量的次序访问元素。
pytorch张量索引切片等学习笔记
09-09
结合网上的相关教程整理的关于pytorch的有关张量，索引，切片以及与numpy相互转换使用的学习笔记，比较完整，有兴趣的可以下载！
Torch7 Tensor切片总结
ahaha1212的博客
10-26 308
1.narrow（k,m,n) 这个函数是选中第k维的从m行开始，供选中n行 2.sub(dim1s,dim1e[,dim2s,dim2e,..,dim4s,dim4e]) 功能最强大，可以切任意的一个字块，不过参数比较多，制定每一维的从开始到到结束的index 3.select(dim, index) 这个最实用于选择column，因为选中第3列用大括号的表达为A[{...
pytorch中的数据索引
jakelihua
03-10 1348
在PyTorch中，数据索引是指在处理张量（Tensor）时访问或操作特定元素的过程。索引在数据处理和深度学习中是非常常见且重要的操作，它允许我们以各种方式访问数据集中的元素，执行数据的切片、提取、过滤等操作。
Pytorch Tensor的索引与切片
热门推荐
洪流之源
06-25 6万+
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...
torch中的索引，切片，连接，换位
weixin_43005832的博客
05-10 2009
import numpy as np '''https://pytorch-cn.readthedocs.io/zh/latest/package_references/torch/#indexing-slicing-joining-mutating-ops''' 'https://pytorch-cn.readthedocs.io/zh/latest/package_references/torch/#indexing-slicing-joining-mutating-ops' torch.cat(i
[Pytorch基础]torch.tensor对象的索引机制
LY_970909的博客
03-12 1609
Pytorch的索引机制介绍与实例
【PyTorch】PyTorch之Tensors索引切片篇
weixin_44984705的博客
01-18 2477
介绍常用的PyTorch之Tensors索引切片等。
Pytorch学习之torch----索引、切片、连接、变异操作
励志的小胡子
06-24 1万+
1. torch.cat(seq, dim=0, out=None) 说明：在给定维度上对输入的张量序列seq进行连接操作 参数： seq(Tensor的序列) -- 可以是相同类型的Tensor的任何Python序列 dim(int, 可选) -- 张量连接的维度，按dim维度连接张量 out(Tensor,可选) -- 输出参数 >>> x = torch.ran...
torch中tensor的普通索引以及index_select、torch.gather
qq_43391414的博客
09-27 1万+
今天讲二维和三维数组如何索引，重点在二维，三维是从二维拓展而来。 二维 二维数组很容易索引，例如： c=torch.rand(2,3) print(c) #取行 print(c[[0,1],:]) #取列 print(c[:,[1,2]]) #取行列，所以就是某个元素了。 print(c[[0],[0]])#取(0,0) print(c[[0,0,0],[0,1,2]])#取(0,0),(0,1),(0,2) 需要注意的是，上述写成下述则不是我们想要的： index=torch.tensor(
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值