Python中数组的索引以及切片

在这里生成数组并且对数组进行切片/通过索引访问，对于使用numpy生成的array或是torch生成的tensor都是适用的

1. 对torch生成的tensor数组进行操作

import torch
import numpy as np

---

首先，我们可以使用 arange 创建一个行向量 x。这个行向量包含以0开始的前16个整数，它们默认创建为整数。也可指定创建类型为浮点数。张量中的每个值都称为张量的 元素（element）。例如，张量 x 中有 16 个元素。除非额外指定，新的张量将存储在内存中，并采用基于CPU的计算。

#torch.arange()：生成不包含最大值的等差数列
x = torch.arange(16)
x

tensor([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15])

---

可以通过张量的shape属性来访问张量（沿每个轴的长度）的形状 。

x.shape

torch.Size([16])

---

要想改变一个张量的形状而不改变元素数量和元素值，可以调用reshape函数。 例如，可以把张量x从形状为（16,）的行向量转换为形状为（4,4）的矩阵。 这个新的张量包含与转换前相同的值，但是它被看成一个4行4列的矩阵。 要重点说明一下，虽然张量的形状发生了改变，但其元素值并没有变。 注意，通过改变张量的形状，张量的大小不会改变。

我们可以通过-1来调用此自动计算出维度的功能。 即我们可以用x.reshape(-1,4)或x.reshape(4,-1)来取代x.reshape(4,4)

X = x.reshape(-1,4)
X

tensor([[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11],
        [12, 13, 14, 15]])

---

就像在任何其他Python数组中一样，张量中的元素可以通过索引访问。 与任何Python数组一样：第一个元素的索引是0，最后一个元素索引是-1； 可以指定范围以包含第一个元素和最后一个之前的元素。

如下所示，我们可以用[-1]选择最后一个元素，可以用[1:3]选择第二个和第三个元素：（在这里默认是按行进行操作）：

X[-1]

tensor([12, 13, 14, 15])

这里的结果与上面的相同：

X[-1,:]

tensor([12, 13, 14, 15])

---

X[1:3]

tensor([[ 4,  5,  6,  7],
        [ 8,  9, 10, 11]

在逗号后面的话就表明是对列进行相应的操作

X[:,-1]

tensor([ 3,  7, 11, 15])

])

X[:,1:3]

tensor([[ 1,  2],
        [ 5,  6],
        [ 9, 10],
        [13, 14]])

---

注意，X[:-1]表示的是取除了最后一行之外的其他元素

X[:-1]

tensor([[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]])

---

访问指定的元素/行/列

#访问一个元素
X[1,2]

tensor(6)

#访问一行
X[1,:]

tensor([4, 5, 6, 7])

#访问一列
X[:,1]

tensor([ 1,  5,  9, 13])

---

访问某一个子区域

#访问某一个子区域
#这里要注意[1:3]选择第二个和第三个元素
X[1:3,1:]

tensor([[ 5,  6,  7],
        [ 9, 10, 11]])

#跳着访问，从第0行开始每隔3行取一个，从第0列开始每隔2列取一个
X[::3,::2]

tensor([[ 0,  2],
        [12, 14]])

---

除读取外，我们还可以通过指定索引来将元素写入矩阵。

X[1, 2] = 9
X

tensor([[ 0,  1,  2,  3],
        [ 4,  5,  9,  7],
        [ 8,  9, 10, 11],
        [12, 13, 14, 15]])

如果我们想为多个元素赋值相同的值，我们只需要索引所有元素，然后为它们赋值。 例如，[0:2, :]访问第1行和第2行，其中“:”代表沿轴1（列）的所有元素。 虽然我们讨论的是矩阵的索引，但这也适用于向量和超过2个维度的张量。

X[0:2, :] = 12
X

tensor([[12, 12, 12, 12],
        [12, 12, 12, 12],
        [ 8,  9, 10, 11],
        [12, 13, 14, 15]])

2. 对numpy生成的array数组进行操作

y = np.arange(16)
y

array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15])

Y = y.reshape(4,-1)
Y

array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11],
       [12, 13, 14, 15]])

Y[1,2]

6

Y[1:2]

array([[4, 5, 6, 7]])

Y[::3,::2]

array([[ 0,  2],
       [12, 14]])

z = np.array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15])
z

array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15])

Z = z.reshape(4,4)
Z

array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11],
       [12, 13, 14, 15]])