pytorch基础知识四【索引与切片】

1. 索引

import torch

a = torch.rand(4,3,28,28) # 建立维度为4的张量
print(a[0].shape)         # 获取第一维度的shape
print(a[0,0].shape)       # 获取第二维度的shape
print(a[0,0,2,4])         # 打印某个元素

执行结果:
	torch.Size([3, 28, 28])
	torch.Size([28, 28])
	tensor(0.8019)

2. 切片

2.1 根据首项/尾项切片

import torch

a = torch.rand(4,3,28,28) # 建立维度为4的张量
print(a.shape)
print(a[:2].shape)
print(a[:2,:1,:,:].shape)
print(a[:2,1:,:,:].shape)
print(a[:2,-1:,:,:].shape)
print(a[:2,:-1,:,:].shape)

执行结果:
	torch.Size([4, 3, 28, 28])
	torch.Size([2, 3, 28, 28])
	torch.Size([2, 1, 28, 28])
	torch.Size([2, 2, 28, 28])
	torch.Size([2, 1, 28, 28])
	torch.Size([2, 2, 28, 28])

2.2 根据步长切片

import torch
a = torch.rand(4,3,28,28)

print(a[:,:,0:28:2,0:28:2].shape)
print(a[:,:,::2,::2].shape)
print(a[:,:,::5,::5].shape)

执行结果:
	torch.Size([4, 3, 14, 14])
	torch.Size([4, 3, 14, 14])
	torch.Size([4, 3, 6, 6])

2.3 根据特定索引切片

import torch
a = torch.rand(4,3,28,28)
# index_select(dim,index)中的dim代表张量的某个维度，以a为例
# 0 -> 4
# 1 -> 3
# 2 -> 28
# 3 -> 28
# index代表索引，表示取第index个元素
print(a.index_select(0,torch.tensor([0,2])).shape)
print(a.index_select(1,torch.tensor([0,1,2])).shape)
print(a.index_select(2,torch.tensor([0,2,3,4,5])).shape)
print(a.index_select(3,torch.tensor([0,1,2,3,4,5,6])).shape)

# ...表示索引全部取到
print(a[0,...].shape)
print(a[:,1,...].shape)
print(a[...,:2].shape)

执行结果:
	torch.Size([2, 3, 28, 28])
	torch.Size([4, 3, 28, 28])
	torch.Size([4, 3, 5, 28])
	torch.Size([4, 3, 28, 7])

	torch.Size([3, 28, 28])
	torch.Size([4, 28, 28])
	torch.Size([4, 3, 28, 2])

2.4 根据掩码切片

x = torch.randn(3,4)
print(x)
mask = x.ge(0.5) # 大于0.5的赋为True，反之为False
print(mask)
print(torch.masked_select(x,mask)) # 输出mask为True的元素
print(torch.masked_select(x,mask).shape)


执行结果:
	tensor([[ 0.9910, -1.2207, -0.3169,  2.3048],
        [-0.3671, -0.8469, -0.6350,  0.2997],
        [-0.6556,  1.1191,  0.5445, -0.5113]])
        
	tensor([[ True, False, False,  True],
	        [False, False, False, False],
	        [False,  True,  True, False]])
	        
	tensor([0.9910, 2.3048, 1.1191, 0.5445])
	
	torch.Size([4])

2.5 根据索引返回指定索引上的数据集合

src = torch.tensor([[4,3,5],[6,7,8]])
print(src)
print(torch.take(src,torch.tensor([0,2,5])))

执行结果:
	tensor([[4, 3, 5],
        [6, 7, 8]])
        
	tensor([4, 5, 8])

3. torch.ge()、torch.gt()、torch.le()、torch.lt()

3.1 torch.ge()

（1）逐元素比较input和other，即是否 ( input >= other )。

（2）如果两个张量有相同的形状和元素值，则返回True ，否则 False。 第二个参数可以为一个数或与第一个参数相同形状和类型的张量。

torch.ge(input, other, out=None) → Tensor

print(torch.ge(torch.Tensor([[1, 2], [3, 4]]), torch.Tensor([[1, 1], [4, 4]])))

执行结果:
	tensor([[ True,  True],
            [False,  True]])

3.2 torch.gt()

（1）逐元素比较input和other ， 即是否( input > other ) 如果两个张量有相同的形状和元素值，则返回True ，否则 False。

（2）第二个参数可以为一个数或与第一个参数相同形状和类型的张量。

torch.gt(input, other, out=None) → Tensor

print(torch.gt(torch.Tensor([[1, 2], [3, 4]]), torch.Tensor([[1, 1], [4, 4]])))

执行结果:
	tensor([[False,  True],
           [False, False]])

3.3 torch.le()

逐元素比较input和other ， 即是否input<=other 第二个参数可以为一个数或与第一个参数相同形状和类型的张量。

print(torch.le(torch.Tensor([[1, 2], [3, 4]]), torch.Tensor([[1, 1], [4, 4]])))

执行结果:
	tensor([[ True, False],
	        [ True,  True]])

3.4 torch.lt()

逐元素比较input和other ， 即是否 input

print(torch.lt(torch.Tensor([[1, 2], [3, 4]]), torch.Tensor([[1, 1], [4, 4]])))

执行结果:
	tensor([[False, False],
            [ True, False]])