index_select()函数怎么在pytorch中使用-创新互联
今天就跟大家聊聊有关index_select()函数怎么在pytorch中使用,可能很多人都不太了解,为了让大家更加了解,小编给大家总结了以下内容,希望大家根据这篇文章可以有所收获。
成都创新互联公司长期为上千家客户提供的网站建设服务,团队从业经验10年,关注不同地域、不同群体,并针对不同对象提供差异化的产品和服务;打造开放共赢平台,与合作伙伴共同营造健康的互联网生态环境。为景宁畲族自治企业提供专业的网站建设、成都网站建设,景宁畲族自治网站改版等技术服务。拥有10年丰富建站经验和众多成功案例,为您定制开发。pytorch中index_select()的用法
index_select(input, dim, index)
功能:在指定的维度dim上选取数据,不如选取某些行,列
参数介绍
第一个参数input是要索引查找的对象
第二个参数dim是要查找的维度,因为通常情况下我们使用的都是二维张量,所以可以简单的记忆: 0代表行,1代表列
第三个参数index是你要索引的序列,它是一个tensor对象
刚开始学习pytorch,遇到了index_select(),一开始不太明白几个参数的意思,后来查了一下资料,算是明白了一点。
a = torch.linspace(1, 12, steps=12).view(3, 4) print(a) b = torch.index_select(a, 0, torch.tensor([0, 2])) print(b) print(a.index_select(0, torch.tensor([0, 2]))) c = torch.index_select(a, 1, torch.tensor([1, 3])) print(c)
先定义了一个tensor,这里用到了linspace和view方法。
第一个参数是索引的对象,第二个参数0表示按行索引,1表示按列进行索引,第三个参数是一个tensor,就是索引的序号,比如b里面tensor[0, 2]表示第0行和第2行,c里面tensor[1, 3]表示第1列和第3列。
输出结果如下:
tensor([[ 1., 2., 3., 4.],
[ 5., 6., 7., 8.],
[ 9., 10., 11., 12.]])
tensor([[ 1., 2., 3., 4.],
[ 9., 10., 11., 12.]])
tensor([[ 1., 2., 3., 4.],
[ 9., 10., 11., 12.]])
tensor([[ 2., 4.],
[ 6., 8.],
[10., 12.]])
示例2
import torch x = torch.Tensor([[[1, 2, 3], [4, 5, 6]], [[9, 8, 7], [6, 5, 4]]]) print(x) print(x.size()) index = torch.LongTensor([0, 0, 1]) print(torch.index_select(x, 0, index)) print(torch.index_select(x, 0, index).size()) print(torch.index_select(x, 1, index)) print(torch.index_select(x, 1, index).size()) print(torch.index_select(x, 2, index)) print(torch.index_select(x, 2, index).size())
input的张量形状为2×2×3,index为[0, 0, 1]的向量
分别从0、1、2三个维度来使用index_select()函数,并输出结果和形状,维度大于2就会报错因为input较大只有三个维度
输出:
tensor([[[1., 2., 3.],
[4., 5., 6.]],
[[9., 8., 7.],
[6., 5., 4.]]])
torch.Size([2, 2, 3])
tensor([[[1., 2., 3.],
[4., 5., 6.]],
[[1., 2., 3.],
[4., 5., 6.]],
[[9., 8., 7.],
[6., 5., 4.]]])
torch.Size([3, 2, 3])
tensor([[[1., 2., 3.],
[1., 2., 3.],
[4., 5., 6.]],
[[9., 8., 7.],
[9., 8., 7.],
[6., 5., 4.]]])
torch.Size([2, 3, 3])
tensor([[[1., 1., 2.],
[4., 4., 5.]],
[[9., 9., 8.],
[6., 6., 5.]]])
torch.Size([2, 2, 3])
对结果进行分析:
index是大小为3的向量,输入的张量形状为2×2×3
dim = 0时,输出的张量形状为3×2×3
dim = 1时,输出的张量形状为2×3×3
dim = 2时,输出的张量形状为2×2×3
注意输出张量维度的变化与index大小的关系,结合输出的张量与原始张量来分析index_select()函数的作用
看完上述内容,你们对index_select()函数怎么在pytorch中使用有进一步的了解吗?如果还想了解更多知识或者相关内容,请关注创新互联行业资讯频道,感谢大家的支持。
本文题目:index_select()函数怎么在pytorch中使用-创新互联
路径分享:http://pwwzsj.com/article/cedeij.html