PyTorch张量索引

文章目录

🍃作者介绍:双非本科大三网络工程专业在读,阿里云专家博主,专注于Java领域学习,擅长web应用开发、数据结构和算法,初步涉猎人工智能和前端开发。

🦅个人主页:@逐梦苍穹

📕所属专栏:人工智能

🌻gitee地址:xzl的人工智能代码仓库

✈ 您的一键三连,是我创作的最大动力🌹

1、简介

我们在操作张量时,经常需要去进行获取或者修改操作,掌握张量的花式索引操作是必须的一项能力。

张量索引是指从多维数组(即张量)中访问特定元素、子张量或切片的过程。理解张量索引是操作和处理张量数据的基础。下面是一些关于张量索引的理论知识:

1.1、基本概念

  • 张量:张量是多维数组的泛化,可以是标量、向量、矩阵或更高维度的数组。例如,标量是0维张量,向量是1维张量,矩阵是2维张量,三维及更高维度的数组也是张量。
  • 维度(Dimension):张量的维度数,表示数组在每个方向上的大小。
  • 形状(Shape):描述张量在每个维度上的大小。例如,形状为(2, 3, 4)的张量表示它有3个维度,每个维度分别有2、3、4个元素。

1.2、索引类型

张量索引主要有以下几种类型:

  1. 整型索引(Integer Indexing):
    • 使用一个或多个整型值来访问张量中的特定元素或子张量。
    • 例如,对于一个形状为(3, 4)的二维张量AA[1, 2]访问的是第二行第三列的元素(索引从0开始)。
  2. 切片索引(Slicing):
    • 使用冒号:表示范围,来访问张量的子集。
    • 例如,对于一个形状为(3, 4)的二维张量AA[1:3, :]访问的是第二行和第三行的所有列。
  3. 高级索引(Advanced Indexing):
    • 使用数组或张量作为索引,以访问特定模式的元素。
    • 例如,对于一个形状为(3, 4)的二维张量AA[[0, 2], [1, 3]]访问的是(0,1)和(2,3)位置的元素。
  4. 布尔索引(Boolean Indexing):
    • 使用布尔数组或张量来筛选符合条件的元素。
    • 例如,对于一个形状为(3, 4)的二维张量AA[A > 5]访问的是所有大于5的元素。

1.3、数据准备

下面在进行代码演示之前,先准备一份数据:

python 复制代码
import torch
data = torch.randint(0, 10, [4, 5])
print(data)
print('-' * 50)

1.4、技术摘要⭐

索引类型 描述 代码方法
整型索引 使用一个或多个整型值来访问张量中的特定元素或子张量 tensor[index] 访问张量 tensor 的特定元素或子张量,
例如 tensor[1, 2] 访问二维张量的第二行第三列元素
切片索引 使用冒号 : 表示范围,访问张量的子集 tensor[start:stop:step] 访问 tensor 的子集,
例如 tensor[1:3, :] 访问二维张量的第二行和第三行的所有列
高级索引 使用数组或张量作为索引,以访问特定模式的元素 tensor[indices] 访问 tensor 的特定模式元素,
例如 tensor[[1, 2], [2, 3]] 访问特定位置的元素
布尔索引 使用布尔数组作为掩码,访问满足条件的元素 tensor[mask] 访问 tensor 中满足 mask 条件的元素,
例如 tensor[tensor > 0] 访问所有大于0的元素

2、简单行、列索引

data[0] 获取并打印张量的第一行。
data[:, 0] 获取并打印张量的第一列。

python 复制代码
def test01():
    print(data[0])
    print(data[:, 0])
    print('-' * 50)

3、列表索引

在PyTorch和其他基于NumPy的库中,列表索引是一种高级索引方式,允许使用列表或数组中的索引来选择张量中的特定元素。

这种索引方式可以比传统的切片更灵活、更强大。
基本概念:

  • 列表索引:使用一个或多个列表来索引张量,提取出特定的元素。
  • 广播机制:当列表索引的形状不匹配时,会自动 扩展(广播) 这些索引,使得它们可以一起使用。
python 复制代码
def test02():
    # 返回 (0, 1)、(1, 2) 两个位置的元素
    print(data[[0, 1], [1, 2]])
    print('-' * 50)

    # 返回 0、1 行的 1、2 列共4个元素
    print(data[[[0], [1]], [1, 2]])
    print(data[[[2], [3]], [1, 2]])
    print(data[[[0, 1], [1, 2]], [1, 2]])
    print(data[[[0, 1], [2, 3]], [1, 2]])

输出:

复制代码
E:\anaconda3\python.exe D:\Python\AI\PyTorch\12-行-列索引.py 
tensor([[2, 4, 2, 0, 4],
        [0, 8, 4, 7, 6],
        [8, 7, 3, 7, 3],
        [0, 2, 6, 2, 9]])
tensor(3)
--------------------------------------------------
tensor([4, 4])
--------------------------------------------------
tensor([[4, 2],
        [8, 4]])
tensor([[7, 3],
        [2, 6]])
tensor([[4, 4],
        [8, 3]])
tensor([[4, 4],
        [7, 6]])

Process finished with exit code 0

下面我会详细介绍下面这四个数据的计算过程:

如下所示:


4、范围索引

python 复制代码
# 3. 范围索引
def test03():
    # 前3行的前2列数据
    print(data[:3, :2])
    # 第2行到最后的前2列数据
    print(data[2:, :2])
if __name__ == '__main__':
    test03()

5、布尔索引

python 复制代码
# 布尔索引
def test04():
    # 第三列大于5的行数据
    print(data[data[:, 2] > 5])
    # 第二行大于5的列数据
    print(data[:, data[1] > 5])
if __name__ == '__main__':
    test04()

6、多维索引

python 复制代码
# 多维索引
def test05():

    data = torch.randint(0, 10, [3, 4, 5])
    print(data)
    print('-' * 50)

    print(data[0, :, :])
    print(data[:, 0, :])
    print(data[:, :, 0])

if __name__ == '__main__':
    test05()

输出:

复制代码
E:\anaconda3\python.exe D:\Python\AI\PyTorch\12-行-列索引.py 
tensor([[[9, 2, 4, 0, 9],
         [3, 6, 7, 1, 9],
         [9, 3, 8, 3, 3],
         [5, 6, 8, 2, 0]],

        [[4, 1, 7, 8, 1],
         [2, 1, 3, 3, 5],
         [7, 2, 6, 0, 1],
         [7, 0, 3, 2, 4]],

        [[0, 1, 7, 3, 3],
         [1, 0, 0, 9, 9],
         [8, 7, 9, 9, 7],
         [1, 9, 1, 3, 1]]])
--------------------------------------------------
tensor([[9, 2, 4, 0, 9],
        [3, 6, 7, 1, 9],
        [9, 3, 8, 3, 3],
        [5, 6, 8, 2, 0]])
tensor([[9, 2, 4, 0, 9],
        [4, 1, 7, 8, 1],
        [0, 1, 7, 3, 3]])
tensor([[9, 3, 9, 5],
        [4, 2, 7, 7],
        [0, 1, 8, 1]])

Process finished with exit code 0
相关推荐
海特伟业26 分钟前
隧道调频广播覆盖的实现路径:隧道无线广播技术赋能行车安全升级,隧道汽车广播收音系统助力隧道安全管理升级
人工智能
Huanzhi_Lin31 分钟前
python源码打包为可执行的exe文件
python
CareyWYR32 分钟前
每周AI论文速递(250421-250425)
人工智能
声声codeGrandMaster44 分钟前
django之账号管理功能
数据库·后端·python·django
追逐☞1 小时前
机器学习(10)——神经网络
人工智能·神经网络·机器学习
winner88811 小时前
对抗学习:机器学习里的 “零和博弈”,如何实现 “双赢”?
人工智能·机器学习·gan·对抗学习
Elastic 中国社区官方博客1 小时前
使用 LangGraph 和 Elasticsearch 构建强大的 RAG 工作流
大数据·数据库·人工智能·elasticsearch·搜索引擎·ai·全文检索
娃娃略1 小时前
【AI模型学习】双流网络——更强大的网络设计
网络·人工智能·pytorch·python·神经网络·学习
福尔摩东1 小时前
从零到精通:2025年最全大模型学习资源
人工智能·github
青橘MATLAB学习1 小时前
深度学习中的预训练与微调:从基础概念到实战应用全解析
人工智能·深度学习·微调·迁移学习·预训练·梯度消失·模型复用