PyTorch深度学习总结
第三章 PyTorch中张量(Tensor)切片操作
文章目录
一、前言
上文介绍了PyTorch中改变张量(Tensor)形状的操作，本文主要介绍张量切片操作。
二、获取张量中的元素
1、切片（行、列数）方法
①
python# 引入库 import torch # 生成张量 A = torch.arange(9).reshape(3, 3) print(A)生成张量A：
tensor(
\[0, 1, 2\], \[3, 4, 5\], \[6, 7, 8\]\]) *** ** * ** *** 现截取A\[0\]: ```python print(A[0]) # 截取最外围括号内第一个括号的内容,第一个维度第一行的内容 ``` **结果为：** tensor(\[0, 1, 2\]) ② ```python # 引入库 import torch # 生成张量 B = torch.arange(9).reshape(1, 3, 3) print(B) ``` **生成张量B：** tensor( \[\[\[0, 1, 2\], \[3, 4, 5\], \[6, 7, 8\]\]\]) *** ** * ** *** 现截取B\[0\]: ```python print(B[0]) # 截取最外围括号内第括号的内容,第一个维度第一行的内容 ``` **结果为：** tensor( \[\[0, 1, 2\], \[3, 4, 5\], \[6, 7, 8\]\]) ③根据上文张量B进行截取 ```python print(B[0, 1:2, 1:2]) ``` **结果为：** tensor(\[\[4\]\]) `注意此时[1：2]指第2个元素开头到第三个元素为至，且不包含第三个元素。(属于包含左边不包含右边，先行后列)` *** ** * ** *** ```python print(B[0, 1:3, 1:2]) ``` **结果为：** tensor(\[\[4\], \[7\]\]) *** ** * ** *** ```python print(B[0, -1, -2]) ``` **结果为：** tensor(7) *** ** * ** *** ```python print(B[0, -3:-1, -2]) # 第一个维度，倒数第三行到倒数二行，倒数第二列的元素 ``` **结果为：** tensor(\[1, 4\]) ④通过比较关系输出元素 ```python print(B[B>=3]) ``` **结果为：** tensor(\[3, 4, 5, 6, 7, 8\]) `注意此处为获取元素组成1维张量`
2、torch.where()函数
pythonC = -B D = torch.where(B>4, B, C) print(D)输出结果为：
tensor(
\[\[ 0, -1, -2\], \[-3, -4, 5\], \[ 6, 7, 8\]\]\])
3、使元素置零的操作
| 函数 | 描述 |
|---|---|
| torch.tril(A, diagonal=0) | 将A以第一个元素为对角线的直线，将上三角置零 |
| torch.triu(A, diagonal=0) | 将A以第一个元素为对角线的直线，将下三角置零 |
| torch.diag(A) | 保留对角线，将其他元素全部置零,输入必须是二维张量 |
示例：
torch.tril():
pythonE1 = torch.tril(B, diagonal=0) print(E1)输出结果为：
tensor(
\[\[0, 0, 0\], \[3, 4, 0\], \[6, 7, 8\]\]\]) *** ** * ** *** ```python E2 = torch.tril(B, diagonal=1) print(E2) ``` 输出结果为： tensor( \[\[\[0, 1, 0\], \[3, 4, 5\], \[6, 7, 8\]\]\]) **torch.triu():** ```python F = torch.triu(B, diagonal=0) print(F) ``` 输出结果为： tensor( \[\[\[0, 1, 2\], \[0, 4, 5\], \[0, 0, 8\]\]\]) **torch.diag():** ```python H = torch.diag(A) print(H) ``` 输出结果为： tensor(\[0, 4, 8\])