Pytorch-索引与切片

本篇介绍Pytorch 的索引与切片。

索引

1
2
3
4
5
6
7
In[3]: a = torch.rand(4,3,28,28)
In[4]: a[0].shape # 理解上相当于取第一张图片
Out[4]: torch.Size([3, 28, 28])
In[5]: a[0,0].shape # 第0张图片的第0个通道
Out[5]: torch.Size([28, 28])
In[6]: a[0,0,2,4] # 第0张图片第0个通道的第2行第4列的像素点 标量
Out[6]: tensor(0.4133) # 没有用 [] 包起来就是一个标量 dim为0

切片

  • 顾头不顾尾
1
2
3
4
5
6
7
8
9
10
In[7]: a.shape
Out[7]: torch.Size([4, 3, 28, 28])
In[8]: a[:2].shape # 前面两张图片的所有数据
Out[8]: torch.Size([2, 3, 28, 28])
In[9]: a[:2,:1,:,:].shape # 前面两张图片的第0通道的数据
Out[9]: torch.Size([2, 1, 28, 28])
In[11]: a[:2,1:,:,:].shape # 前面两张图片,第1,2通道的数据
Out[11]: torch.Size([2, 2, 28, 28])
In[10]: a[:2,-1:,:,:].shape # 前面两张图片,最后一个通道的数据 从-1到最末尾,就是它本身。
Out[10]: torch.Size([2, 1, 28, 28])

步长

  • 顾头不顾尾 + 步长
  • start : end : step
  • 对于步长为1的,通常就省略了。
1
2
3
4
a[:,:,0:28,0:28:2].shape    # 隔点采样
Out[12]: torch.Size([4, 3, 28, 14])
a[:,:,::2,::2].shape
Out[14]: torch.Size([4, 3, 14, 14])

具体的索引

  • .index_select(dim, indices)
    • dim为维度,indices是索引序号
    • 这里的indeces必须是tensor ,不能直接是一个list
1
2
3
4
5
6
7
8
9
10
In[17]: a.shape
Out[17]: torch.Size([4, 3, 28, 28])
In[19]: a.index_select(0, torch.tensor([0,2])).shape # 当前维度为0,取第0,2张图片
Out[19]: torch.Size([2, 3, 28, 28])
In[20]: a.index_select(1, torch.tensor([1,2])).shape # 当前维度为1,取第1,2个通道
Out[20]: torch.Size([4, 2, 28, 28])
In[21]: a.index_select(2,torch.arange(28)).shape # 第二个参数,只是告诉你取28行
Out[21]: torch.Size([4, 3, 28, 28])
In[22]: a.index_select(2, torch.arange(8)).shape # 取8行 [0,8)
Out[22]: torch.Size([4, 3, 8, 28])

...

  • ... 表示任意多维度,根据实际的shape来推断。
  • 当有 ... 出现时,右边的索引理解为最右边
  • 为什么会有它,没有它的话,存在这样一种情况 a[0,: ,: ,: ,: ,: ,: ,: ,: ,: ,2] 只对最后一个维度做了限度,这个向量的维度又很高,以前的方式就不太方便了。
1
2
3
4
5
6
7
8
9
10
In[23]: a.shape
Out[23]: torch.Size([4, 3, 28, 28])
In[24]: a[...].shape # 所有维度
Out[24]: torch.Size([4, 3, 28, 28])
In[25]: a[0,...].shape # 后面都有,取第0个图片 = a[0]
Out[25]: torch.Size([3, 28, 28])
In[26]: a[:,1,...].shape
Out[26]: torch.Size([4, 28, 28])
In[27]: a[...,:2].shape # 当有...出现时,右边的索引理解为最右边,只取两列
Out[27]: torch.Size([4, 3, 28, 2])

使用mask来索引

  • .masked_select()
  • 求掩码位置原来的元素大小
  • 缺点:会把数据,默认打平(flatten),
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
In[31]: x = torch.randn(3,4)
In[32]: x
Out[32]:
tensor([[ 2.0373, 0.1586, 0.1093, -0.6493],
[ 0.0466, 0.0562, -0.7088, -0.9499],
[-1.2606, 0.6300, -1.6374, -1.6495]])
In[33]: mask = x.ge(0.5) # >= 0.5 的元素的位置上为1,其余地方为0
In[34]: mask
Out[34]:
tensor([[1, 0, 0, 0],
[0, 0, 0, 0],
[0, 1, 0, 0]], dtype=torch.uint8)
In[35]: torch.masked_select(x,mask)
Out[35]: tensor([2.0373, 0.6300]) # 之所以打平是因为大于0.5的元素个数是根据内容才能确定的
In[36]: torch.masked_select(x,mask).shape
Out[36]: torch.Size([2])

使用打平(flatten)后的序列

  • torch.take(src, torch.tensor([index]))
  • 打平后,按照index来取对应位置的元素
1
2
3
4
5
6
7
In[39]: src = torch.tensor([[4,3,5],[6,7,8]])		# 先打平成1维的,共6列
In[40]: src
Out[40]:
tensor([[4, 3, 5],
[6, 7, 8]])
In[41]: torch.take(src, torch.tensor([0, 2, 5])) # 取打平后编码,位置为0 2 5
Out[41]: tensor([4, 5, 8])
-------------The End-------------

本文标题:Pytorch-索引与切片

文章作者:Naqin

发布时间:2019年06月25日 - 09:06

最后更新:2019年11月05日 - 01:11

原始链接:https://chennq.top/Pytorch学习笔记/20190625-learning_PyTorch_3_index_slice.html

许可协议: 署名-非商业性使用-禁止演绎 4.0 国际 转载请保留原文链接及作者。

Naqin wechat
欢迎看官加我微信!
坚持原创技术分享,您的支持将鼓励我继续创作!
0%