『PyTorch』第五彈_深入理解Tensor對象_中上：索引
阿新 • • 發佈：2018-02-12
nbsp 使用 gpo 簡單 深入理解 pre 需要 sub ext
對於一個三維向量來說：
一、普通索引
示例
a = t.Tensor(4,5) print(a) print(a[0:1,:2]) print(a[0,:2]) # 註意和前一種索引出來的值相同，shape不同 print(a[[1,2]]) # 容器索引
3.3845e+15 0.0000e+00 3.3846e+15 0.0000e+00 3.3845e+15 0.0000e+00 3.3845e+15 0.0000e+00 3.3418e+15 0.0000e+00 3.3845e+15 0.0000e+00 3.3846e+15 0.0000e+00 0.0000e+00 0.0000e+00 1.5035e+38 8.5479e-43 1.5134e-43 1.2612e-41 [torch.FloatTensor of size 4x5] 3.3845e+15 0.0000e+00 [torch.FloatTensor of size 1x2] 3.3845e+15 0.0000e+00 [torch.FloatTensor of size 2] 0.0000e+00 3.3845e+15 0.0000e+00 3.3418e+15 0.0000e+00 3.3845e+15 0.0000e+00 3.3846e+15 0.0000e+00 0.0000e+00 [torch.FloatTensor of size 2x5]
普通索引內存分析
普通索引後的結果和原Tensor的內存共享
print(a[a>1]) import copy b = copy.deepcopy(a) a[a>1]=10 print(a,b)
3.3845e+15 3.3846e+15 3.3845e+15 3.3845e+15 3.3418e+15 3.3845e+15 3.3846e+15 1.5035e+38 [torch.FloatTensor of size 8] 10.0000 0.0000 10.0000 0.0000 10.0000 0.0000 10.0000 0.0000 10.0000 0.0000 10.0000 0.0000 10.0000 0.0000 0.0000 0.0000 10.0000 0.0000 0.0000 0.0000 [torch.FloatTensor of size 4x5] 3.3845e+15 0.0000e+00 3.3846e+15 0.0000e+00 3.3845e+15 0.0000e+00 3.3845e+15 0.0000e+00 3.3418e+15 0.0000e+00 3.3845e+15 0.0000e+00 3.3846e+15 0.0000e+00 0.0000e+00 0.0000e+00 1.5035e+38 8.5479e-43 1.5134e-43 1.2612e-41 [torch.FloatTensor of size 4x5]array([[ 1.00000000e+01, 0.00000000e+00, 1.00000000e+01, 0.00000000e+00, 1.00000000e+01], [ 0.00000000e+00, 1.00000000e+01, 0.00000000e+00, 1.00000000e+01, 0.00000000e+00], [ 1.00000000e+01, 0.00000000e+00, 1.00000000e+01, 0.00000000e+00, 0.00000000e+00], [ 0.00000000e+00, 1.00000000e+01, 8.54792063e-43, 1.51340234e-43, 1.26116862e-41]], dtype=float32)
索引函數gather介紹
方的介紹：
如果input是一個n維的tensor，size為
(x0,x1…,xi?1,xi,xi+1,…,xn?1)，dim為i，然後index必須也為n維tensor，size為
(x0,x1,…,xi?1,y,xi+1,…,xn?1)，其中y >= 1，最後輸出的out與index的size是一樣的。
意思就是按照一個指定的軸（維數）收集值
對於一個三維向量來說：
out[i][j][k] = input[index[i][j][k]][j][k] # if dim == 0 out[i][j][k] = input[i][index[i][j][k]][k] # if dim == 1 out[i][j][k] = input[i][j][index[i][j][k]] # if dim == 2
參數:
input (Tensor) – 源tensor
dim (int) – 指定的軸數（維數）
index (LongTensor) – 需要聚集起來的數據的索引
out (Tensor, optional) – 目標tensor
簡單來說，就是在Tensor(input)的眾多維度中針對某一維度(dim參數)，使用一維Tensor（index）進行索引，並對其他維度進行遍歷。
a = t.arange(16).view(4,4) index = t.LongTensor([[0,1,2,3]]) print(a) print(index) print(a.gather(0,index)) # 逆操作scatter_，註意是inplace的 b = t.zeros(4,4) b.scatter_(0,index,a.gather(0,index)) print(b)
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 [torch.FloatTensor of size 4x4] 0 1 2 3 [torch.LongTensor of size 1x4] 0 5 10 15 [torch.FloatTensor of size 1x4] 0 0 0 0 0 5 0 0 0 0 10 0 0 0 0 15 [torch.FloatTensor of size 4x4]
二、高階索引
和普通索引不同，高階索引前後一般不會共享內存，後面介紹Tensor內存結構時會提到。
x = t.arange(0,27).view(3,3,3) print(x) print(x[[1,2],[1,2],[2,0]]) # x[1,1,2]和x[2,2,0] print(x[[2,1,0],[0],[0]]) # x[2,0,0]和x[1,0,0]和x[0,0,0]
(0 ,.,.) = 0 1 2 3 4 5 6 7 8 (1 ,.,.) = 9 10 11 12 13 14 15 16 17 (2 ,.,.) = 18 19 20 21 22 23 24 25 26 [torch.FloatTensor of size 3x3x3] 14 24 [torch.FloatTensor of size 2] 18 9 0 [torch.FloatTensor of size 3]
『PyTorch』第五彈_深入理解Tensor對象_中上：索引