pytorch张量列表索引和多维度张量索引比较
pytorch张量的高级索引取值原明白读代码：
import torch
x = torch.tensor([, ])
x1 = x[[, ]]
x2 = x, ])]
print(f"x1:{x1}")
print(f"x2:{x2}") 输出：
x1:tensor()
x2:tensor([[,
],
[,
]]) 代码解读：
张量 x是一个 2x3 的张量：
x1 的取值
x1 = x[[, ]]
[*] 索引机制： 这里的索引 [, ] 是 高级整数索引。
[*]它取的是第 1 维的具体位置。
[*] 步骤：
[*]x[, ] 等价于以下操纵：
[*]x -> 20
[*]x -> 40
因此：
x1 =
注：x[[, ]] 效果同 x[, ]
x2 的取值
x2 = x, ])]
### 复杂索引，在0维和1维度都取
#x3 = x, ]),torch.tensor([, ])]
#print(f"x3:{x3}")
#x 3:tensor([,
# ])
#print(f"x3.shape:{x3.shape}") # x3.shape:torch.Size()
[*] 索引机制： 这里的索引 torch.tensor([, ]) 是 多维整形张量索引。
[*]这种索引会在第 0 维上按张量的外形举行广播。
[*] 广播行为：
[*]索引张量的外形是 (2, 2)。
[*]PyTorch 会沿第 0 维取出对应的行，并按照索引效果重新分列。
[*] 步骤：
[*]x ->
[*]x ->
根据索引张量 [, ]，效果分列为：
[[,# 对应索引 (0, 0)
], # 对应索引 (0, 1)
[,# 对应索引 (1, 0)
]] # 对应索引 (1, 1)
总结：
[*]x1 使用的是高级整数索引，按指定的具体位置取值（减少维度）。
[*]x2 使用的是多维张量索引，按张量外形广播，天生一个更高维的效果（不减少维度）。
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
页:
[1]