Pytorch Tensor的索引和切片介绍

深碍√TFBOYSˉ_ 2022-09-12 10:46 275阅读 0赞

# 1. 一般索引 #

从前往后提供的索引，会依次在每个维度上做索引。

import torch
    
    a = torch.rand(4, 3, 28, 28)
    print(a[0].shape)    # 第一维的shape
    print(a[0, 0].shape)    # 第二维的shape
    print(a[0, 0, 2, 4])  # 具体到某个元素

运行结果：

torch.Size([3, 28, 28])
    torch.Size([28, 28])
    tensor(0.3690)

# 2. 普通的切片索引 #

注意负值的索引即表示倒数第几个元素，-2就是倒数第二个元素。

print(a[:2].shape)  # 在第一个维度上取后0和1
    print(a[:2, :1, :, :].shape)  # 在第一个维度上取0和1,在第二个维度上取0
    print(a[:2, 1:, :, :].shape)  # 在第一个维度上取0和1,在第二个维度上取1,2
    print(a[:2, -2:, :, :].shape)  # 在第一个维度上取0和1,在第二个维度上取1,2

运行结果：

torch.Size([2, 3, 28, 28])
    torch.Size([2, 1, 28, 28])
    torch.Size([2, 2, 28, 28])
    torch.Size([2, 2, 28, 28])

# 3. 使用step #

print(a[:, :, 0:28:2, 0:28:2].shape)  # step=2 隔行采样
    print(a[:, :, ::2, ::2].shape)  # 等同于这个

运行结果：

torch.Size([4, 3, 14, 14])
    torch.Size([4, 3, 14, 14])

# 4、选择特定下标 #

选择特定下标有时候很有用，比如上面的a这个Tensor可以看作4张RGB（3通道）的MNIST图像，长宽都是28px。那么在第一维度上可以选择特定的图片，在第二维度上选择特定的通道。

# 选择第一张和第三张图
    print(a.index_select(0, torch.tensor([0, 2])).shape)
    # 选择R通道和B通道
    print(a.index_select(1, torch.tensor([0, 2])).shape)

运行结果：

torch.Size([2, 3, 28, 28])
    torch.Size([4, 2, 28, 28])

# 5. 任意多的维度 #

在索引中使用 **`...`**可以表示任意多的维度。

import torch
     
    a = torch.rand(4, 3, 28, 28)
     
    # 等与a
    print(a[...].shape)
     
    # 第一张图片的所有维度
    print(a[0, ...].shape)
     
    # 所有图片第二通道的所有维度
    print(a[:, 1, ...].shape)
     
    # 所有图像所有通道所有行的第一、第二列
    print(a[..., :2].shape)

输出结果：

torch.Size([4, 3, 28, 28])
    torch.Size([3, 28, 28])
    torch.Size([4, 28, 28])
    torch.Size([4, 3, 28, 2])

# 6. mask索引 #

可以获取满足一些条件的值的位置索引，然后用这个索引去取出这些位置的元素。

import torch
    
    # 取出a这个Tensor中大于0.5的元素
    a = torch.randn(3, 4)
    print(a)
    x = a.ge(0.5)
    print(x)
    print(a[x])

运行结果：

tensor([[ 0.1638,  0.9582, -0.2464, -0.8064],
            [ 1.8385, -2.0180,  0.8382,  1.0563],
            [ 0.1587, -1.6653, -0.2057,  0.1316]])
    tensor([[0, 1, 0, 0],
            [1, 0, 1, 1],
            [0, 0, 0, 0]], dtype=torch.uint8)
    tensor([0.9582, 1.8385, 0.8382, 1.0563])

# 7. take索引 #

take索引是基于目标Tensor的flatten形式下的，即摊平后的Tensor的索引。

import torch
    
    a = torch.tensor([[3, 7, 2], [2, 8, 3]])
    print(a)
    print(torch.take(a, torch.tensor([0, 1, 5])))

运行结果：

tensor([[3, 7, 2],
            [2, 8, 3]])
    tensor([3, 7, 3])