【知识】Pytorch中基于索引的操作

#importing libraries 
import torch 
  
x=torch.zeros(5,5) 
te=torch.tensor([[1,3,5,7,9],[1,3,5,7,9],[1,3,5,7,9]],dtype=torch.float32) 
index0=torch.tensor([0,2,4]) 
#adding tensor te to x along row of the given order 
x.index_add_(0,index0,te)

tensor([[1., 3., 5., 7., 9.],
$0., 0., 0., 0., 0.\], \[1., 3., 5., 7., 9.\], \[0., 0., 0., 0., 0.\], \[1., 3., 5., 7., 9.\]\])$

python 复制代码

#importing libraries 
import torch 
  
y=torch.ones(5,5)#unitvector 
index2=torch.tensor([0,1,1,1,2]) 
ten=torch.randn(1,5) 
#adding values to y along the column with given order 
y.index_add_(1,index2,ten)

tensor([[0.9460, 0.4762, 1.2219, 1.0000, 1.0000],
$0.9460, 0.4762, 1.2219, 1.0000, 1.0000\], \[0.9460, 0.4762, 1.2219, 1.0000, 1.0000\], \[0.9460, 0.4762, 1.2219, 1.0000, 1.0000\], \[0.9460, 0.4762, 1.2219, 1.0000, 1.0000\]\])$

2.index_add

它是上述函数的out-of-place 版本。这会暂时将给定的张量添加到自张量中。参数和语法与上述相同。

python 复制代码

import torch 
  
y=torch.ones(5,5) 
  
index2=torch.tensor([0,1,1,1,2]) 
ten=torch.randn(1,5) 
print("Indexed Matrix:\n",y.index_add(1,index2,ten)) 
print ("Printing Indexed Matrix again:\n",y)

Indexed Matrix:

tensor([[-0.2811, -1.0776, 2.2697, 1.0000, 1.0000],
$-0.2811, -1.0776, 2.2697, 1.0000, 1.0000\], \[-0.2811, -1.0776, 2.2697, 1.0000, 1.0000\], \[-0.2811, -1.0776, 2.2697, 1.0000, 1.0000\], \[-0.2811, -1.0776, 2.2697, 1.0000, 1.0000\]\]) Printing Indexed Matrix again: tensor(\[\[1., 1., 1., 1., 1.\], \[1., 1., 1., 1., 1.\], \[1., 1., 1., 1., 1.\], \[1., 1., 1., 1., 1.\], \[1., 1., 1., 1., 1.\]\])$

3.index_copy_

通过按照 'index' 中给定的顺序选择索引，将给定张量的元素复制到输入张量。

python 复制代码

index_copy_(dim,index,tensor)---> Tensor

dim：要复制的索引的维度。它是"int"格式。
index：要选择的张量索引。它可以是 IntTensor 或LongTensor。
Tensor：包含要复制的值的张量。

python 复制代码

#importing libraries 
import torch 
  
a=torch.ones(4,4)#unit vector 
t1=torch.randn(2,4) 
index3=torch.tensor([1,3]) 
  
#copying elements of t1 ensor to 'a' in given order of index 
a.index_copy_(0,index3,t1)

tensor([[ 1.0000, 1.0000, 1.0000, 1.0000],
$-0.1918, -1.2089, 0.3229, -0.1831\], \[ 1.0000, 1.0000, 1.0000, 1.0000\], \[ 0.7521, 0.8424, -0.8698, -0.3908\]\])$

python 复制代码

#importing libraries 
import torch 
  
y=torch.ones(5,5) 
index1=torch.tensor([0,1,2,3,4]) 
te=torch.tensor([[1,3,5,7,9],[1,3,5,7,9],[1,3,5,7,9]],dtype=torch.float32) 
y.index_copy_(1,index1,te)

RuntimeError Traceback (most recent call last)

<ipython-input-8-25e4150d5bd7> in <module>

1 y=torch.ones(5,5)

2 index1=torch.tensor([0,1,2,3,4])

----> 3 y.index_copy_(1,index1,te)

RuntimeError: index_copy_(): Source/destination tensor must have same slice shapes.

Destination slice shape: 5 at dimension 1 and source slice shape: 3 at dimension 0.

python 复制代码

import torch 
  
b=torch.ones(4,4) 
t2=torch.randn(4,2) 
  
index4=torch.tensor([0,1]) 
b.index_copy_(1,index4,t2)

tensor([[-0.3964, -0.3859, 1.0000, 1.0000],
$2.6910, -0.9394, 1.0000, 1.0000\], \[ 0.3591, -0.2262, 1.0000, 1.0000\], \[ 1.2102, -0.8340, 1.0000, 1.0000\]\])$

4.index_copy

这是out-of-place 的基于索引的操作，用于用给定张量替换输入张量的元素。语法、参数同上。

5.index_fill_

'Val' 值填充了 'x' 的元素以及向量 'index' 中给出的索引顺序。

python 复制代码

index_fill_(dim, index, val) → Tensor

dim：要填充的维度。它是"int"格式。
index：按此索引向量中给出的索引的顺序填充。它可以是 IntTensor 或 LongTensor。
val（float）：用于填充的值。

python 复制代码

#importing libraries 
import torch 
c=torch.randn(4,4) 
  
index5=torch.tensor([0,2]) 
  
#filling 4 within the elements of the tensor 'c' along the indices 0,2 
c.index_fill_(0,index5,4) 
print(c)

tensor([[ 4.0000, 4.0000, 4.0000, 4.0000],
$0.4762, 0.0056, 0.3258, 1.1345\], \[ 4.0000, 4.0000, 4.0000, 4.0000\], \[-0.1490, -0.6543, 0.9755, 1.8087\]\])$

python 复制代码

d=torch.randn(5,5) 
  
d.index_fill(1,index5,2) 
print(d)

tensor([[ 0.5978, -1.2461, -0.8794, -1.0175, 0.8938],
$-0.6374, 1.0848, 0.1291, 0.6658, 0.3081\], \[-0.9686, -0.8212, -0.5223, -0.3208, -1.7718\], \[-0.1153, -1.2552, -0.4119, -1.1293, 0.2266\], \[ 1.2610, 0.2618, -1.5528, 0.7805, 1.3730\]\])$

6. index_fill

这是out-of-place 的基于索引的操作，用于用"val"填充张量元素。语法、参数同上。

7.index_put_

此操作使用给定 'index' 的索引将 'val' 的值放入自张量中。

python 复制代码

index_put_(indices, values, accumulate=False) → Tensor

indices：它是 LongTensor 的元组，用于索引到 self。
values：具有需要放入目标中的值的张量。
accumulate：是否积累。

python 复制代码

#importing libraries 
import torch 
   
target=torch.zeros([4,4]) 
indices = torch.LongTensor([[0,1],[1,2],[3,1],[1,0]])#indices to which values to be put 
value = torch.ones(indices.shape[0]) 
#tuple of the index tensor is passed along with the value 
target.index_put_(tuple(indices.t()), value)

tensor([[0., 1., 0., 0.],
$1., 0., 1., 0.\], \[0., 0., 0., 0.\], \[0., 1., 0., 0.\]\])$

**注意：**我们必须对索引张量进行转置，否则会发生错误。

python 复制代码

e=torch.ones([4,4]) 
indices2=torch.LongTensor([[0,1],[0,1],[2,1]]) 
value2=torch.zeros(indices2.shape[0]) 
  
e.index_put_(tuple(indices2.t()),value2,accumulate=True)

Output:

tensor([[1., 1., 1., 1.],
$1., 1., 1., 1.\], \[1., 1., 1., 1.\], \[1., 1., 1., 1.\]\])$

8. index_fill

这是 index_fill_ 的out-of-place 版本。语法、参数同上。

9. index_select

通过从目标张量中进行选择，返回一个张量和上述索引。

python 复制代码

torch.index_select(input, dim, index, out=None)

input（Tensor）：将从中选择索引的张量。
dim（int）：要选择的维度。
index：它包含索引的索引。

python 复制代码

#importing libraries 
import torch 
  
m=torch.randn(3,4) 
print('Original matrix:\n',m) 
indices=torch.tensor([0,1]) 
print("Indexed Matrix:\n",torch.index_select(m, 0, indices))

Original matrix:

tensor([[ 0.2008, -0.2637, 2.1216, -0.2892],
$-0.4059, -1.6054, -2.5022, -0.2912\], \[-0.3246, 0.4751, -0.1018, -0.6707\]\]) Indexed Matrix: tensor(\[\[ 0.2008, -0.2637, 2.1216, -0.2892\], \[-0.4059, -1.6054, -2.5022, -0.2912\]\])$