网站备案通管局,2010年最具人气的平面设计师必备网站,台州做网站app的公司,静态营销网站代码PyTorch 中#xff0c;张量索引操作可以使用高级索引#xff08;advanced indexing#xff09;#xff0c;其中索引可以是另一个张量。使用这种索引方式时#xff0c;返回值的维度由索引张量的形状和原始张量的形状共同决定。以下是具体的规则和解释#xff1a;
1. 基本…PyTorch 中张量索引操作可以使用高级索引advanced indexing其中索引可以是另一个张量。使用这种索引方式时返回值的维度由索引张量的形状和原始张量的形状共同决定。以下是具体的规则和解释
1. 基本概念
假设我们有一个张量 x 和索引张量 indices我们通过 x[indices] 进行高级索引操作。
规则
索引张量的形状将决定返回值的形状。返回值的维度由索引张量的维度代替索引位置后的张量维度。
2. 示例讲解
示例 1一维索引
x torch.tensor([[10, 20, 30], [40, 50, 60]])
indices torch.tensor([0, 1])
result x[indices]x 的形状是 (2, 3)。indices 是一维张量形状是 (2,)。索引 x[indices] 的结果 取出 x 的第 0 行和第 1 行。返回值的形状是 (2, 3)。
示例 2多维索引
x torch.tensor([[10, 20, 30], [40, 50, 60]])
indices torch.tensor([[0, 1], [1, 0]])
result x[indices]print(fx.shape:{x.shape})
print(findex.shape:{index.shape})
print(fresult.shape:{result.shape})
print(result)输出
x.shape:torch.Size([2, 3])
index.shape:torch.Size([2, 2])
result.shape:torch.Size([2, 2, 3])
tensor([[[10, 20, 30],[40, 50, 60]],[[40, 50, 60],[10, 20, 30]]])
示例 3多维组合索引
x torch.tensor([[10, 20, 30], [40, 50, 60]])
rows torch.tensor([0, 1])
cols torch.tensor([1, 2])
result x[rows, cols]x 的形状是 (2, 3)。rows 和 cols 都是一维张量形状为 (2,)。索引 x[rows, cols] 分别取出 x[0, 1] 和 x[1, 2]。返回值是 (20, 60)形状为 (2,)。
示例 4广播索引
x torch.tensor([[10, 20, 30], [40, 50, 60]])
rows torch.tensor([[0], [1]])
cols torch.tensor([0, 2])
result x[rows, cols]x 的形状是 (2, 3)。rows 的形状是 (2, 1)cols 的形状是 (2,)。索引 x[rows, cols] rows 和 cols 会广播成 (2, 2)。返回值的形状是 (2, 2)。
示例 5更复杂的张量索引操作
AF3 AtomAttentionEncoder类的init_pair_repr方法解读-CSDN博客中的 张量的高级索引
总结
索引张量的形状直接决定了返回张量的形状。当多个索引张量时它们会广播以匹配维度然后返回广播后形状的张量。
