pytorch中index_select（）的⽤法详解
pytorch中index_select()的⽤法
index_select(input, dim, index)
功能：在指定的维度dim上选取数据，不如选取某些⾏，列
参数介绍
第⼀个参数input是要索引查的对象
第⼆个参数dim是要查的维度，因为通常情况下我们使⽤的都是⼆维张量，所以可以简单的记忆: 0代表⾏,1代表列
第三个参数index是你要索引的序列，它是⼀个tensor对象
刚开始学习pytorch，遇到了index_select(),⼀开始不太明⽩⼏个参数的意思，后来查了⼀下资料，算是明⽩了⼀点。
a = torch.linspace(1, 12, steps=12).view(3, 4)
print(a)
b = torch.index_select(a, 0, sor([0, 2]))
print(b)
print(a.index_select(0, sor([0, 2])))
c = torch.index_select(a, 1, sor([1, 3]))
print(c)
先定义了⼀个tensor，这⾥⽤到了linspace和view⽅法。
第⼀个参数是索引的对象，第⼆个参数0表⽰按⾏索引，1表⽰按列进⾏索引，第三个参数是⼀个tensor，就是索引的序号，⽐如b⾥⾯tensor[0， 2]表⽰第0⾏和第2⾏，c⾥⾯tensor[1, 3]表⽰第1列和第3列。
输出结果如下：
tensor([[ 1.,  2.,  3.,  4.],
[ 5.,  6.,  7.,  8.],
[ 9., 10., 11., 12.]])
tensor([[ 1.,  2.,  3.,  4.],
[ 9., 10., 11., 12.]])
tensor([[ 1.,  2.,  3.,  4.],
[ 9., 10., 11., 12.]])
tensor([[ 2.,  4.],
[ 6.,  8.],
[10., 12.]])
⽰例2
import torch
x = torch.Tensor([[[1, 2, 3],
[4, 5, 6]],
[[9, 8, 7],
[6, 5, 4]]])
print(x)
print(x.size())
index = torch.LongTensor([0, 0, 1])
print(torch.index_select(x, 0, index))
print(torch.index_select(x, 0, index).size())
print(torch.index_select(x, 1, index))
print(torch.index_select(x, 1, index).size())
print(torch.index_select(x, 2, index))
print(torch.index_select(x, 2, index).size())python index函数
input的张量形状为2×2×3，index为[0, 0, 1]的向量
分别从0、1、2三个维度来使⽤index_select()函数，并输出结果和形状，维度⼤于2就会报错因为input最⼤只有三个维度
输出：
tensor([[[1., 2., 3.],
[4., 5., 6.]],
[[9., 8., 7.],
[6., 5., 4.]]])
torch.Size([2, 2, 3])
tensor([[[1., 2., 3.],
[4., 5., 6.]],
[[1., 2., 3.],
[4., 5., 6.]],
[[9., 8., 7.],
[6., 5., 4.]]])
torch.Size([3, 2, 3])
tensor([[[1., 2., 3.],
[1., 2., 3.],
[4., 5., 6.]],
[[9., 8., 7.],
[9., 8., 7.],
[6., 5., 4.]]])
torch.Size([2, 3, 3])
tensor([[[1., 1., 2.],
[4., 4., 5.]],
[[9., 9., 8.],
[6., 6., 5.]]])
torch.Size([2, 2, 3])
对结果进⾏分析：
index是⼤⼩为3的向量，输⼊的张量形状为2×2×3
dim = 0时，输出的张量形状为3×2×3
dim = 1时，输出的张量形状为2×3×3
dim = 2时，输出的张量形状为2×2×3
注意输出张量维度的变化与index⼤⼩的关系，结合输出的张量与原始张量来分析index_select()函数的作⽤
到此这篇关于pytorch中index_select()的⽤法详解的⽂章就介绍到这了，更多相关pytorch index_select()内容请搜索以前的⽂章或继续浏览下⾯的相关⽂章希望⼤家以后多多⽀持！

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。