索引与切片

索引

生成一个CNN的输入格式张量

a = torch.rand(4, 3, 28, 28)
（batch, channel，high, width)
1
2

单个索引的方式与python一样

a[0] # 去索引为0的图片即第一张图片
a[0].shape
1
2

多个索引与python稍微不一样，但很相似

python：a[0][0]
pytorch: a[0,0]
	
a[0,0].shape
a[0,0,2,4]
1
2
3
4
5

切片

1、指定索引范围

两种情况
[idx1: idx2],从包括索引dix1本身，直到索引idx2之前的元素
[idx1: idx2: step],step表示取索引的间隔大小
注： idx1和idx2可以为空，idx1为空表示从开头包括第一个索引开始，idx2为空表示取索引直到最后并包括最后一个
1
2
3
4

不加step：

加step：

2、指定特定索引

①

a.index_select(ind, torch.tensor([idx1, idx2]))
1

其中，ind指的是张量a的第ind维索引，ind=0时，表示第0维即图片数量；idx1，idx2表示取索引是idx1和idx2的两幅图片

②

a.index_select(ind, torch.arange(min.max,step))
min默认为0,step默认为1
1
2

3、…的应用

...可以表示任意多的维度，具体表示多少要根据实际应用情况判断
a.shape: torch.Size([4, 3, 28, 28])
a[...].shape
a[0,...].shape
a[:, 1, ...].shape
a[..., :2].shape
1
2
3
4
5
6

注：
…的使用仅仅是为了更方便，a[…]还是可以用a[:, :, :, :]表示

使用掩码进行索引选取

torch.masked_select(a, mask)
a是目标张量，mask是掩码矩阵

a = torch.randn(3, 4)

mask = a.ge(0.5)
生成一个与a同shape的张量，对于a中元素大于0.5的位置，在mask中该位置的数值为布尔值1，mask中其他位置数值为布尔值0

torch.masked_select(a, mask)

torch.masked_select(a, mask).shape
1
2
3
4
5
6
7
8
9
10
11

这么做会把目标张量打平，结果dim=1

补：torch.take()方法也会把张量打平

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

torch.take(src, torch.tensor([0 ,2, 5])
1
2
3
4