pytorch张量高级索引介绍

PyTorch 中，张量索引操作可以使用高级索引（advanced indexing），其中索引可以是另一个张量。使用这种索引方式时，返回值的维度由索引张量的形状和原始张量的形状共同决定。以下是具体的规则和解释：

1. 基本概念

假设我们有一个张量 x 和索引张量 indices，我们通过 x[indices] 进行高级索引操作。

规则：

• 索引张量的形状将决定返回值的形状。
• 返回值的维度由索引张量的维度代替索引位置后的张量维度。

2. 示例讲解

示例 1：一维索引

x = torch.tensor([[10, 20, 30], [40, 50, 60]])
indices = torch.tensor([0, 1])
result = x[indices]

• x 的形状是 (2, 3)。
• indices 是一维张量，形状是 (2,)。
• 索引 x[indices] 的结果：
  • 取出 x 的第 0 行和第 1 行。
  • 返回值的形状是 (2, 3)。

示例 2：多维索引

x = torch.tensor([[10, 20, 30], [40, 50, 60]])
indices = torch.tensor([[0, 1], [1, 0]])
result = x[indices]

print(f"x.shape:{x.shape}")
print(f"index.shape:{index.shape}")
print(f"result.shape:{result.shape}")
print(result)

输出：

x.shape:torch.Size([2, 3])
index.shape:torch.Size([2, 2])
result.shape:torch.Size([2, 2, 3])
tensor([[[10, 20, 30],
         [40, 50, 60]],

        [[40, 50, 60],
         [10, 20, 30]]])

示例 3：多维组合索引

x = torch.tensor([[10, 20, 30], [40, 50, 60]])
rows = torch.tensor([0, 1])
cols = torch.tensor([1, 2])
result = x[rows, cols]

• x 的形状是 (2, 3)。
• rows 和 cols 都是一维张量，形状为 (2,)。
• 索引 x[rows, cols]：
  • 分别取出 x[0, 1] 和 x[1, 2]。
  • 返回值是 (20, 60)，形状为 (2,)。

示例 4：广播索引

x = torch.tensor([[10, 20, 30], [40, 50, 60]])
rows = torch.tensor([[0], [1]])
cols = torch.tensor([0, 2])
result = x[rows, cols]

• x 的形状是 (2, 3)。
• rows 的形状是 (2, 1)，cols 的形状是 (2,)。
• 索引 x[rows, cols]：
  • rows 和 cols 会广播成 (2, 2)。
  • 返回值的形状是 (2, 2)。

示例 5：更复杂的张量索引操作

AF3 AtomAttentionEncoder类的init_pair_repr方法解读-CSDN博客中的 张量的高级索引

总结：

• 索引张量的形状直接决定了返回张量的形状。
• 当多个索引张量时，它们会广播以匹配维度，然后返回广播后形状的张量。