【Pytorch】pytorch基本数据类型及操作（二）

港控/mmm° 2022-11-01 13:51 202阅读 0赞

### 文章目录 ###

*  Pytorch基本数据类型及操作（二）
 *   *  1. 索引选取
     *  2. 切片选取
     *  3. 步长选取
     *  4. 用...选取
     *  5. 使用mask来索引
     *  6. 使用 take 打成一维

# Pytorch基本数据类型及操作（二） #

## 1. 索引选取 ##

a = torch.rand(4, 3, 28, 28)     # 定义a是一个 4张28*28的RGB图 的张量
    
    # 单个选取
    print(a.shape)          # torch.Size([4, 3, 28, 28])
    print(a[0].shape)       # torch.Size([3, 28, 28])
    print(a[0, 0].shape)    # torch.Size([28, 28])
    print(a[0, 0, 0].shape) # torch.Size([28])
    print(a[0, 0, 2, 4].shape)  # torch.Size([])

*  a\[0\]：理解为取第 0 张图片，这张图片有 3 个通道，每个通道都是 28 \* 28 的
 *  a\[0, 0\]：理解为取第 0 张图片的第 0 个通道，这个通道是 28 \* 28 的
 *  a\[0, 0, 0\]：理解为取第 0 张图片的第 0 个通道的第 0 行像素点，这一行一共有 28 个像素点
 *  a\[0, 0, 2, 4\]：理解为取第 0 张图片的第 0 个通道的第 2 行第 4 列的像素点，它是一个点
 *  a\[:2\]：理解为取第 1 张和第 2 张和第 3 张图片，每张图片有 3 个通道，每个通道都是 28 \* 28 的

## 2. 切片选取 ##

a = torch.rand(4, 3, 28, 28)     # 定义a是一个 4张28*28的RGB图 的张量
    
    # 连续选取
    print(a[:2].shape)              # torch.Size([2, 3, 28, 28])
    print(a[:2, :1, :, :].shape)    # torch.Size([2, 1, 28, 28])
    print(a[:2, 1:, :, :].shape)    # torch.Size([2, 2, 28, 28])
    print(a[:2, -1:, :, :].shape)   # torch.Size([2, 1, 28, 28])

*  a\[:2, :1\]：理解为取第 1 张和第 2 张和第 3 张图片，每张图片取第 0 个通道，每个通道都是 28 \* 28 的
 *  a\[:2, 1:, :, :\]：理解为取第 1 张和第 2 张和第 3 张图片，每张图片取第 1 个和第 2 个通道，每个通道都是 28 \* 28 的
 *  a\[:2, -1:, :, :\]：理解为取第 1 张和第 2 张和第 3 张图片，每张图片取第 2 个通道，每个通道都是 28 \* 28 的

## 3. 步长选取 ##

a = torch.rand(4, 3, 28, 28)     # 定义a是一个 4张28*28的RGB图 的张量
    
    # 间隔选取
    print(a[:, :, 0:28:2, 0:28:2].shape)    # torch.Size([4, 3, 14, 14])
    print(a[:, :, ::2, ::2].shape)          # torch.Size([4, 3, 14, 14])

*  a\[:, :, 0:28:2, 0:28:2\]：理解为取第 1 张和第 2 张和第 3 张图片，每张图片有 3 个通道，对行和列像素点以步长为2从0至28取行和列
 *  a\[:, :, ::2, ::2\]：理解为取第 1 张和第 2 张和第 3 张图片，每张图片有 3 个通道，对行和列像素点以步长为2从0至28取行和列

def index_select(dim, index)

*  dim：表示要操作的维度
 *  index：表示该维度下的哪些值，这里的index必须是一个tensor，不能直接是一个list

a = torch.rand(4, 3, 28, 28)     # 定义a是一个 4张28*28的RGB图 的张量
    
    print(a.index_select(0, torch.tensor([0, 2])).shape)    # torch.Size([2, 3, 28, 28])
    print(a.index_select(1, torch.tensor([1, 2])).shape)    # torch.Size([4, 2, 28, 28])
    print(a.index_select(2, torch.arange(28)).shape)        # torch.Size([4, 3, 28, 28])
    print(a.index_select(2, torch.arange(8)).shape)         # torch.Size([4, 3, 8, 28])

*  a.index\_select(0, torch.tensor(\[0, 2\]))：表示要操作第 0 维度，即图片张数维度，取第 0 张和第 2 张图片
 *  a.index\_select(1, torch.tensor(\[1, 2\]))：表示要操作第 1 维度，即图片通道维度，取第 1 个和第 2 个通道
 *  a.index\_select(2, torch.arange(28))：表示要操作第 2 个维度，即图片高度像素点维度，取前 28 个行
 *  a.index\_select(2, torch.arange(8))：表示要操作第 2 个维度，即图片高度像素点维度，取前 8 个行

## 4. 用…选取 ##

*  `...`可以取代`:`，增加方便性

print(a[...].shape) 		# torch.Size([4, 3, 28, 28])
    print(a[0, ...].shape) 		# torch.Size([3, 28, 28])
    print(a[:, 1, ...].shape) 	# torch.Size([4, 28, 28])
    print(a[..., :2].shape) 	# torch.Size([4, 3, 28, 2])

*  a\[…\]：表示选取所有维度（即 4 个维度）上的所有值，相当于a\[:, :, :, :\]
 *  a\[0, …\]：表示选取后3个维度的所有值
 *  a\[:, 1, …\]：表示选取第 1 和维度图片张数中所有值，选取第二个维度RGB三个通道中第1个通道，选取三四维度所有值
 *  a\[…, :2\]：表示选取前三个维度所有值，第四个维度宽度像素点维度中取前2个值

## 5. 使用mask来索引 ##

x = torch.randn(3, 4)
    print(x)
    ''' tensor([[-0.4146, -0.1112, -0.6213, -0.3464], [-1.0482, 0.2925, 1.0796, 0.1143], [-0.7203, 0.5699, 1.3800, -0.3570]]) '''
    
    mask = x.ge(0.5)	
    print(mask)
    ''' tensor([[False, False, False, False], [False, False, True, False], [False, True, True, False]]) '''
    
    c = torch.masked_select(x, mask)
    print(c)         # tensor([1.0796, 0.5699, 1.3800])
    print(c.shape)   # torch.Size([3])
    print(c.dim())   # 1

*  mask = x.ge(0.5)：表示将 x 中所有大于等于 0.5 的设置为 True ，反之设置为 False ，生成由 True 和 False 组成的Tensor
 *  masked\_select 函数是从 mask 中取出来所有值为 True 的值，形成一个 1 维的Tensor

## 6. 使用 take 打成一维 ##

def take(input, index) -> Tensor

*  input：是一个Tensor ，将input变成一维的Tensor
 *  index：是一个Tensor，表示从打平后的一维input中取出哪些下标的值
 *  返回值：由index为下标的值组成的一维Tensor

# src是一个二维的 2 * 3 的Tensor
    src = torch.tensor([
        [1, 2, 3],
        [4, 5, 6]
    ])
    
    dst = torch.take(src, torch.tensor([0, 2, 5]))  
    print(dst)          # tensor([1, 3, 6])
    print(dst.shape)    # torch.Size([3])
    print(dst.dim())    # 1

*  torch.take(src, torch.tensor(\[0, 2, 5\])) ：表示将 src 打平成一维后，取出下标为 0、2、5的值组织成一个一维Tensor