PyTorch入门实战教程笔记（九）：基础张量操作5

PyTorch入门实战教程笔记（九）：基础张量操作5：高阶操作 where&gather

1. Where

torch.where(condition, x, y) -->tensor，一共3个参数，第一个参数条件，判断其Ture or False。 如下：

比如，现在将A, B的值根据condition传递给C，可以从C[0]=A[0],C[1]=B[1], 此外，设计到具体的数值，也可以进行替换，比如C[0, 0, 0]=A[0, 0, 0], C[0, 0, 1]=B[0, 0, 1],C[0, 0, 2]=A[0, 0, 2],…具体例子中，如下tensor，将大于0.5的全部替换为a（全为0），将剩余的全部替换为b（全为1），操作后结果如下：

2. Gather

gather可以称为收集操作，torch.gether(input, dim, index, out=None) ->tensor。第一个参数为数据，比如【dog, cat, whale】等，第二个参数为dim，在该维度上查找收集，第三个参数为index索引，比如第一个为1，第二个为0，第三个为1，第四个为2，则对应的数据为【cat，dog，cat，whale】。对于图像处理，比如最后的概率为[0.1 0.8 0.05 0.05 …] top1为0.8，对应的索引号为1，而1对应的label为dog，那么通过gether之后就能够知道top1为dog这个数据。再看一个具体的实例，比如现在有数据的shape为[4,10], 通过topk来求出top3的数据及索引值，那么idx[1]的shape为[4,3]，假设数据的标签为对应的0对应100, 1对应101, … ,9对应109，那么通过torch.gather( label.expend(4,10), dim=1,index=idx.long() ), 第一个参数将label的shape扩展为[4, 10], 第二个参数表示在idx的 dim=1上操作，第三个参数表示index的长度（shape）为[4, 3]。即可求出每一个bach对应的top的标签数据，具体如下：