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理解读

代码：

复制代码

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

输出：

复制代码

x1:tensor([20, 40])
x2:tensor([[[10, 20, 30],
         [40, 50, 60]],

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

代码解读：

**张量 x**是一个 2x3 的张量：

x1 的取值

复制代码

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

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]] 等价于以下操作：
  - x[0, 1] -> 20
  - x[1, 0] -> 40

因此：

复制代码

x1 = [20, 40]

注：x $\[\[0, 1$ , $1, 0$ ]] 结果同 x $\[0, 1$ , $1, 0$ ]

x2 的取值

复制代码

x2 = x[torch.tensor([[0, 1], [1, 0]])]

### 复杂索引，在0维和1维度都取
#x3 = x[torch.tensor([[0, 1], [1, 0]]),torch.tensor([[0, 1], [1, 0]])]
#print(f"x3:{x3}")

#x 3:tensor([[10, 50],
#        [50, 10]])

#print(f"x3.shape:{x3.shape}")   # x3.shape:torch.Size([2, 2])

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 维上按张量的形状进行广播。
广播行为：
- 索引张量的形状是 (2, 2)。
- PyTorch 会沿第 0 维取出对应的行，并按照索引结果重新排列。
步骤：
- x[0] -> [10, 20, 30]
- x[1] -> [40, 50, 60]
根据索引张量 [[0, 1], [1, 0]]，结果排列为：

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

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

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，按张量形状广播，生成一个更高维的结果（不减少维度）。