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：

1. import torch
2. x = torch.tensor([[10, 20, 30], [40, 50, 60]])
3. x1 = x[[[0, 1], [1, 0]]]
5. x2 = x[torch.tensor([[0, 1], [1, 0]])]
6. print(f"x1:{x1}")
7. print(f"x2:{x2}")

复制代码

输出：

1. x1:tensor([20, 40])
2. x2:tensor([[[10, 20, 30],
3.          [40, 50, 60]],
5.         [[40, 50, 60],
6.          [10, 20, 30]]])

复制代码

代码解读：

张量 x是一个 2x3 的张量：
x1 的取值

1. x1 = x[[[0, 1], [1, 0]]]

复制代码

• 索引机制： 这里的索引 [[0, 1], [1, 0]] 是 高级整数索引。
  
  
  
  • 它取的是第 1 维的具体位置。
    
  
  
• 步骤：
  
  
  
  • x[[0, 1], [1, 0]] 等价于以下操纵：
    
    
    
    • x[0, 1] -> 20
      
    • x[1, 0] -> 40
      
    
    
  
  

因此：

1. x1 = [20, 40]

复制代码

        注：x[[[0, 1], [1, 0]]] 效果同 x[[0, 1], [1, 0]]
x2 的取值

1. x2 = x[torch.tensor([[0, 1], [1, 0]])]
3. ### 复杂索引，在0维和1维度都取
4. #x3 = x[torch.tensor([[0, 1], [1, 0]]),torch.tensor([[0, 1], [1, 0]])]
5. #print(f"x3:{x3}")
7. #x 3:tensor([[10, 50],
8. #        [50, 10]])
10. #print(f"x3.shape:{x3.shape}")   # x3.shape:torch.Size([2, 2])

复制代码

• 索引机制： 这里的索引 torch.tensor([[0, 1], [1, 0]]) 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[0] -> [10, 20, 30]
    
  • x[1] -> [40, 50, 60]
    
  根据索引张量 [[0, 1], [1, 0]]，效果分列为：
  
  

1. [[[10, 20, 30],  # 对应索引 (0, 0)
2.   [40, 50, 60]], # 对应索引 (0, 1)
4. [[40, 50, 60],  # 对应索引 (1, 0)
5.   [10, 20, 30]]] # 对应索引 (1, 1)

复制代码

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。