torch.nonezero()的用法

原创 已于 2022-09-06 15:06:15 修改 · 1.1k 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：

#深度学习 #python #机器学习

于 2022-09-06 15:04:23 首次发布
本文介绍了如何使用PyTorch中的torch.nonzero()函数获取张量中非零元素的索引，并通过实例展示了二维和三维张量的处理。该函数对于数据筛选和矩阵操作至关重要。
部署运行你感兴趣的模型镜像

函数原型：

torch.nonzero(input, out=None) → LongTensor

参数:

input (Tensor) – 源张量
out (LongTensor, optional) – 包含索引值的结果张量

代码示例

返回一个包含输入input中非零元素索引的张量。输出张量中的每行包含输入中非零元素的索引。

x = torch.tensor([0, 0, 1, 5, 8])
y = torch.nonzero(x)
print(y)
print(y.shape)
>>>
tensor([[2],
        [3],
        [4]])
torch.Size([3, 1])

如果输入input有n维，则输出的索引张量output的形状为 z x n, 这里 z 是输入张量input中所有非零元素的个数。

x = torch.tensor([[0, 0, 1, 5],
                  [1, 5, 0, 8],
                  [2, 8, 9, 0]])
y = torch.nonzero(x)
print(y)
print(y.shape)
>>>
tensor([[0, 2],
        [0, 3],
        [1, 0],
        [1, 1],
        [1, 3],
        [2, 0],
        [2, 1],
        [2, 2]])
torch.Size([8, 2])

pytorch文档学习链接：https://pytorch-cn.readthedocs.io/zh/latest/package_references/torch/

您可能感兴趣的与本文相关的镜像

PyTorch 2.6

PyTorch 2.6

PyTorch
Cuda

PyTorch 是一个开源的 Python 机器学习库，基于 Torch 库，底层由 C++ 实现，应用于人工智能领域，如计算机视觉和自然语言处理

AttributeError: module ‘torch.library‘ has no attribute ‘register_fake‘解决方案
weixin_43178406的博客
10-30 13万+
本文主要介绍了AttributeError: module ‘torch.library’ has no attribute 'register_fake’解决方案，希望能对使用Python的同学们有所帮助。 文章目录 1. 问题描述 2. 解决方案
torch.None、torch.nonezero
weixin_63016274的博客
10-15 800
torch.None的学习
torch.nonzero的理解
热门推荐
monchin的博客
03-29 4万+
学习pytorch中，看到文档里关于torch.nonzero的介绍和举例，一维的那个例子还好理解，二维的就不是很理解了，不明白为什么会出现两个[0,1,2,3]，于是稍微研究了一下，搞明白了是怎么回事。先看文档的介绍：“返回一个包含输入 input 中非零元素索引的张量.输出张量中的每行包含 input 中非零元素的索引.如果输入 input 有 n 维,则输出的索引张量 out 的 size ...
【PyTorch】一文向您详细介绍 torch.nonzero() 函数及其参数
创作高质量博文，分享知识，共同进步！
06-05 2665
🔥【PyTorch秘籍】深入解析`torch.nonzero()`🔍 想快速定位PyTorch中非零元素的索引？`torch.nonzero()`是你的得力助手！本文带你从基础到进阶，全面解析该函数的用法与参数。📚 从多维张量处理到性能优化，再到与其他函数的联合应用，让你轻松掌握！🌟 别再错过这个PyTorch中的宝藏函数，速来get新技能！#PyTorch #torchnonzero #深度学习 #索引查找 #技术博客
torch.nonzero()
qq_37164776的博客
10-26 1544
一维 nonzero()返回的是不为零的值在一维向量中的索引。 >>> a = torch.randn(4) >>> a tensor([-0.7712, 1.6482, 0.0362, 1.6212]) >>> b = (a>0.1) >>> b.nonzero() tensor([[1], [3]]) >>> b tensor([False, True, False, Tru
关于torch.nonzero() 详解
wangxuecheng666的博客
10-07 1万+
官方介绍：  “返回一个包含输入 input 中非零元素索引的张量.输出张量中的每行包含 input 中非零元素的索引.  如果输入 input 有 n 维,则输出的索引张量 out 的 size 为 z x n , 这里 z 是输入张量 input 中所有非零元素的个数.” 其实连着例子看的话，第一句话是很好理解的，就是第二句话有点搞不清楚究竟想说什么。 例子 >>> torch.nonzero(torch.Tensor([[0.6, 0.0, 0.0, 0.0], ...
torch.einsum用法详解
bj_zhb的博客
03-20 1万+
是PyTorch中的一个函数，用于执行爱因斯坦求和约定（Einstein summation）运算。它提供了一种灵活而强大的方式来执行多维张量的操作和变换。其中，equation是一个字符串，用于指定爱因斯坦求和约定的运算方式，operands是一个或多个输入张量。在equation中，你可以使用大写字母表示张量的维度标识符，使用小写字母表示对应维度的长度。通过指定输入张量和输出张量之间的维度关系，你可以定义所需的运算操作。下面是一个简单的例子，展示了如何使用# 两个向量的点积。
详解torch.mul、torch.mm、torch.bmm、torch.matmul
qq_51709869的博客
06-28 1528
对torch.mul、torch.mm、torch.bmm、torch.matmul进行了区分和讲解，同时给出了使用样例
torch.gather用法详解
chen_znn的博客
04-19 1694
本文记录了torch.gather的用法详解
torch中的nonzero() 方法
Drug discovery
03-30 2285
返回维度维度与输入一样的N个元组，第一个元组代表行索引，第二个元组代表列索引，依次向后Numpy.nonzero() 使用方法简明解释_for j in np.nonzero(adj[i])[0]:-优快云博客Pytorch torch.nonzero()的简单用法_一维tensor看哪些不等于0-优快云博客。
PyTorch：torch.nonzero——非零元素的定位
qq_50001789的博客
10-04 2万+
PyTorch学习笔记：torch.nonzero——非零元素的定位 torch.nonzero(input, *, out=None, as_tuple=False) → LongTensor or tuple of LongTensors 功能：用于输出数组的非零值的索引，即用来定位数组中非零的元素 输入： input：输入的数组 as_tuple：如果设为False，则返回一个二维张量，其中每一行都是非零值的索引，如果输入的数组有n维，则输出的张量维度大小为z×n，其中z为input非零元素的总数
【简单理解】torch.nonzero（同样适用于获取tensor中某一元素的索引）
pywin
06-09 6024
torch.nonzero其实就是找出tensor中非零的元素的索引 import torch label = torch.tensor([[1,0,0], [1,0,1]]) print(label.nonzero()) 返回的结果： tensor([[0, 0], [1, 0], [1, 2]]) 返回的结果就是非零元素的索引，其中[0,0]对应了第一行第一列的1，[1,0]对应了第二行第一列的1，[1,2]对应了第
Pytorch学习：torch.nonzero 函数的理解
景墨轩
08-16 1582
学习pytorch中，看到文档里关于torch.nonzero的介绍和举例，一维的那个例子还好理解，二维的就不是很理解了，不明白为什么会出现两个[0,1,2,3]，于是再网上查看了一些讲解，终于搞明白了是怎么回事。 先看一下原函数中每个元素的介绍 torch.nonzero(input, *, out=None, as_tuple=False) input：输入的必须是tensor out：输出 Z × N ， N 代表输入数据的维度， Z 是总共非0元素的个数 as_tuple： if as_tuple
torch.nonzero
weixin_36670529的博客
05-19 500
import torch a=torch.randint(-1,2,(10,),dtype=torch.int) print(a) print(a.size()) print(torch.nonzero(a)) print(torch.nonzero(a).size()) Output: ---------------------------------------------------...
Pytorch中torch.nonzero()函数解析
flyingluohaipeng的博客
06-02 4805
torch.nonzero()，如下图所示： 2.1. 输入是一维张量，返回一个包含输入 input 中非零元素索引的张量，输出张量中的每行包含 input 中非零元素的索引，输出是二维张量torch.size(z,1)， z 是输入张量 input 中所有非零元素的个数。 2.2. 输入是n维张量，如果输入 input 有 n 维,则输出的索引张量的size为torch.size(z,n) , 这里 z 是输入张量 input 中所有非零元素的个数。 无论输入是几维，输出张量都是两维，每行代表输入张量中
Pytorch之torch.nonzero()语法、参数和实际应用案例
王国平的博客
07-21 827
`torch.nonzero()` 是 PyTorch 中用于查找张量中非零元素位置的函数。其核心功能是返回一个包含所有非零元素索引的张量，常用于掩码处理、稀疏矩阵操作或定位特定元素。
【Torch API】torch.nonzero用法详解
devil_son1234的博客
11-23 1357
torch.nonzero详解
torch.nonzero 方法介绍
qq_27390023的博客
12-20 473
当：返回形状为 (N, input.dim())的二维张量，其中N是非零元素的数量，是输入张量的维度。当：返回一个长度为的元组，元组中的每个张量形状为(N,)，表示非零元素在对应维度的索引。这种灵活性方便用户根据不同需求选择合适的形式！
torch.nonzero() python
是鲤鱼啊
03-27 935
么Tensor常用的比较函数有很多，比如torch.equal( )、torch.eq( ). torch.ne( ). torch.gt( ). torch.It( ). torch.ge( ) torch.le( ) torch.topk( ) torch.sort( )用代码实现
最新发布
10-23
以下是使用代码实现 Tensor 常用比较函数 `torch.equal()`、`torch.eq()`、`torch.ne()`、`torch.gt()`、`torch.lt()`、`torch.ge()`、`torch.le()`、`torch.topk()`、`torch.sort()` 的示例： ```python import torch # 创建两个示例 Tensor a = torch.tensor([[1, 2], [3, 4]]) b = torch.tensor([[1, 2], [4, 3]]) # 1. torch.equal()：比较两个张量是否完全相同 equal_result = torch.equal(a, b) print("torch.equal() result:", equal_result) # 2. torch.eq()：逐元素比较两个张量是否相等 eq_result = torch.eq(a, b) print("torch.eq() result:") print(eq_result) # 3. torch.ne()：逐元素比较两个张量是否不相等 ne_result = torch.ne(a, b) print("torch.ne() result:") print(ne_result) # 4. torch.gt()：逐元素比较第一个张量是否大于第二个张量 gt_result = torch.gt(a, b) print("torch.gt() result:") print(gt_result) # 5. torch.lt()：逐元素比较第一个张量是否小于第二个张量 lt_result = torch.lt(a, b) print("torch.lt() result:") print(lt_result) # 6. torch.ge()：逐元素比较第一个张量是否大于或等于第二个张量 ge_result = torch.ge(a, b) print("torch.ge() result:") print(ge_result) # 7. torch.le()：逐元素比较第一个张量是否小于或等于第二个张量 le_result = torch.le(a, b) print("torch.le() result:") print(le_result) # 8. torch.topk()：返回输入张量中给定维度上的前 k 个最大元素及其索引 topk_values, topk_indices = torch.topk(a.flatten(), k=2) print("torch.topk() values:", topk_values) print("torch.topk() indices:", topk_indices) # 9. torch.sort()：对输入张量进行排序 sorted_values, sorted_indices = torch.sort(a.flatten()) print("torch.sort() values:", sorted_values) print("torch.sort() indices:", sorted_indices) ```
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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