<think>我们首先需要理解用户的问题：用户希望了解PyTorch中创建张量的方法（特别是`scores.new_tensor(0)`），以及`torch.where`和`gather`函数的使用方法。
根据引用内容，我们可以参考：
引用[2]中提到了`torch.where`和`torch.masked_fill`等操作。
引用[1]和引用[4]中提到了`gather`和`scatter`函数。
下面我们分三部分来回答：
1. `scores.new_tensor(0)` 创建张量
2. `torch.where` 函数的使用方法
3. `gather` 函数的使用方法
注意：用户还提到了`scatter`，但问题中只要求了`gather`，不过由于`gather`和`scatter`是互逆操作，我们可以简单提及，但重点在`gather`。
第一部分：`scores.new_tensor(0)`
在PyTorch中，`new_tensor`是一个方法，它根据已有的张量（这里是`scores`）创建一个新的张量，新张量的数据类型和设备（CPU/GPU）与原有张量相同。
例如，`scores.new_tensor(0)`会创建一个标量张量，其值为0，并且这个新张量与`scores`在同一个设备上，具有相同的数据类型。
第二部分：`torch.where`
引用[2]中提到了`torch.where`，它的作用是根据条件选择两个张量中的元素。函数签名如下：
torch.where(condition, x, y)
其中condition是一个布尔张量，当condition的某个位置为True时，输出张量在该位置取x的对应位置的值，否则取y的对应位置的值。
第三部分：`gather`
引用[1]和引用[4]中提到了`gather`，它的作用是根据索引从输入张量中提取指定位置的元素。函数签名如下：
torch.gather(input, dim, index, out=None, sparse_grad=False)
它沿着指定的维度dim，根据索引index从输入张量中提取元素。索引张量index的形状必须与输出张量相同，且每个位置的值表示在dim维度上的索引。
我们将通过代码示例详细说明。
注意：在回答中，我们按照要求使用LaTeX格式的数学表达式（如张量形状等），并正确引用。</think>### PyTorch张量创建与操作详解
#### 1. `scores.new_tensor(0)` 创建张量
`new_tensor()`方法基于现有张量创建新张量，保留原始张量的设备类型和数据类型属性：
```python
import torch
# 原始张量（假设在GPU上）
scores = torch.tensor([1.0, 2.0], device='cuda', dtype=torch.float32)
# 创建新张量（继承设备类型和数据类型）
new_tensor = scores.new_tensor(0) # 标量0
print(new_tensor) # tensor(0., device='cuda:0')
print(new_tensor.device) # cuda:0
print(new_tensor.dtype) # torch.float32
```
**关键特性**：
- 继承原始张量的设备（CPU/GPU）和数据类型
- 输入可以是标量、列表、NumPy数组等
- 等价操作：`torch.tensor(0, device=scores.device, dtype=scores.dtype)`
#### 2. `torch.where()` 条件选择
`torch.where()`根据条件选择两个张量的元素，语法为：
```python
torch.where(condition, x, y) # 当condition为True时选x，否则选y
```
**示例：阈值处理**（引用[2]）：
```python
t = torch.tensor([[3, 7], [2, 5], [9, 1]])
# 大于5的元素保留，否则置0
result = torch.where(t > 5, t, torch.zeros_like(t))
print(result)
# tensor([[0, 7],
# [0, 0],
# [9, 0]])
```
**高级应用**：
```python
# 创建掩码
mask = torch.tensor([[True, False], [False, True]])
a = torch.tensor([[1, 2], [3, 4]])
b = torch.tensor([[10, 20], [30, 40]])
# 根据掩码选择元素
combined = torch.where(mask, a, b)
print(combined) # tensor([[ 1, 20], [30, 4]])
```
#### 3. `torch.gather()` 索引收集
`gather()`根据索引在指定维度收集元素，语法为：
```python
output = torch.gather(input, dim, index)
```
**基本用法**（引用[1][4]）：
```python
data = torch.tensor([[1, 2], [3, 4], [5, 6]]) # 3x2
index = torch.tensor([[0, 0], [1, 0], [0, 1]]) # 3x2
# 沿dim=1收集
result = torch.gather(data, 1, index)
print(result)
# tensor([[1, 1], # 取第0行: [1,2]中的[0,0]位置
# [4, 3], # 取第1行: [3,4]中的[1,0]位置
# [5, 6]]) # 取第2行: [5,6]中的[0,1]位置
```
**实际应用：one-hot编码**（引用[4]）：
```python
labels = torch.tensor([2, 0, 1]) # 3个样本的类别标签
one_hot = torch.zeros(3, 3) # 3x3零矩阵
# 使用gather生成one-hot
one_hot.scatter_(1, labels.unsqueeze(1), 1)
print(one_hot)
# tensor([[0., 0., 1.],
# [1., 0., 0.],
# [0., 1., 0.]])
```
#### 4. 相关函数对比
| 函数 | 用途 | 特点 |
|------|------|------|
| `new_tensor()` | 创建继承属性的新张量 | 保留设备/数据类型[^1] |
| `torch.where()` | 条件选择元素 | 类似三元运算符[^2] |
| `torch.gather()` | 按索引收集数据 | 需指定维度[^1][^4] |
| `torch.scatter()` | 按索引写入数据 | `gather`的逆操作[^1][^4] |
> 引用说明：`new_tensor`继承设备类型和数据类型属性[^1]；`where`实现条件选择[^2]；`gather`和`scatter`是索引操作的互补函数[^1][^4]。
---
本文详细介绍了PyTorch中的两个高级函数：where和gather。where函数可以根据条件选择不同的tensor元素，而gather函数则用于从指定维度上收集tensor的元素。文章通过具体的代码示例展示了这两个函数的应用。
扫一扫
489
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
