PyTorch 索引与切片-Tensor基本操作

原创 已于 2024-06-12 09:27:40 修改 · 713 阅读 · 1 ·
CC 4.0 BY-SA版权
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。
文章标签：

#pytorch #人工智能 #python

于 2024-06-11 15:21:09 首次发布

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
PyTorch深度学习实战（21）—— 索引操作
shangjg3的博客
08-19 339
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
huanfeng_AI的博客
06-05 662
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。
tensor向量按任意维度进行切片、拆分、组合
qq_41920323的博客
06-19 299
tensor向量任意维度的切片、拆分、组合及实例
Pytorch索引、切片、连接
qq_44815135的博客
05-28 1035
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。
PyTorch深度学习基础---Tensor的索引和切片
Ting_28的博客
03-10 793
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。
torch Tensor学习：切片操作
weixin_34327761的博客
02-10 2865
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 5115
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。
Pytorch语法-tensor基本操作
baidu_15434583的博客
10-22 1197
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，...
torch.tensor索引
weixin_41529093的博客
08-12 386
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！
Pytorch：张量的索引操作
m0_63997099的博客
04-18 1701
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。
Torch7 Tensor切片总结
ahaha1212的博客
10-26 317
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 1410
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 2032
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 1653
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 2627
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...
pytorch索引与切片
最新发布
09-18
PyTorch 中索引与切片操作是处理张量数据的重要手段，涵盖从基础到复杂的多种操作方式，以下是详细介绍： ### 基础切片操作 切片操作使用 `:` 表示整个维度的范围，而 `i:j` 表示从索引 `i` 到 `j - 1` 的范围。切片索引不仅适用于获取数据，还经常用于数据的预处理和模型输入的构造 [^2]。 ```python import torch # 创建一个示例张量 t = torch.tensor([1, 2, 3, 4, 5]) # 获取整个张量 print(t[:]) # 输出: tensor([1, 2, 3, 4, 5]) # 获取索引 1 到 2 的元素 print(t[1:3]) # 输出: tensor([2, 3]) ``` ### 高级索引技术 #### 整数数组索引 整数数组索引允许使用整数数组来指定要选择的元素位置。 ```python import torch t = torch.tensor([10, 20, 30, 40, 50]) index = torch.tensor([1, 3]) print(t[index]) # 输出: tensor([20, 40]) ``` #### 布尔掩码索引 布尔掩码索引使用布尔数组来选择元素，布尔数组中为 `True` 的位置对应的元素会被选择。 ```python import torch t = torch.tensor([1, 2, 3, 4, 5]) mask = t > 3 print(t[mask]) # 输出: tensor([4, 5]) ``` ### 高级索引规则详解 #### 索引数组广播规则 当使用多个索引数组时，需要遵循广播规则以确保索引数组形状兼容。 #### 混合索引类型 可以混合使用切片、整数数组索引和布尔掩码索引。 #### 结果形状计算 根据索引方式和原始张量形状，计算结果张量的形状。 ### 特殊索引函数 #### `gather` 函数 `gather` 函数用于从张量中收集特定位置的元素。 ```python import torch t = torch.tensor([[1, 2], [3, 4]]) index = torch.tensor([[0, 0], [1, 0]]) result = torch.gather(t, 1, index) print(result) # 输出: tensor([[1, 1], [4, 3]]) ``` #### `index_select` 函数 `index_select` 函数用于从指定维度选择特定索引的元素。 ```python import torch t = torch.tensor([1, 2, 3, 4, 5]) index = torch.tensor([1, 3]) result = torch.index_select(t, 0, index) print(result) # 输出: tensor([2, 4]) ``` #### `masked_select` 函数 `masked_select` 函数根据布尔掩码选择元素。 ```python import torch t = torch.tensor([1, 2, 3, 4, 5]) mask = t > 3 result = torch.masked_select(t, mask) print(result) # 输出: tensor([4, 5]) ``` ### 索引性能与内存管理 索引操作会影响内存使用，可通过一些性能优化技巧来减少内存开销，如使用原地操作等。 ### 常见错误与调试技巧 在使用索引操作时，可能会遇到一些典型错误，如索引越界等，可通过调试技巧进行排查。 ### 真实应用场景 - **批处理中的样本选择**：在训练模型时，可通过索引选择特定的样本进行训练。 - **序列模型中的时间步选择**：在处理序列数据时，选择特定的时间步。 - **注意力机制中的键值选择**：在注意力机制中，选择特定的键值对。
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