详解PyTorch中Tensor的高阶操作

Python  /  管理员 发布于 5年前   481

条件选取：torch.where(condition, x, y) → Tensor

返回从 x 或 y 中选择元素的张量，取决于 condition

操作定义：

举个例子：

>>> import torch>>> c = randn(2, 3)>>> ctensor([[ 0.0309, -1.5993, 0.1986],    [-0.0699, -2.7813, -1.1828]])>>> a = torch.ones(2, 3)>>> atensor([[1., 1., 1.],    [1., 1., 1.]])>>> b = torch.zeros(2, 3)>>> btensor([[0., 0., 0.],    [0., 0., 0.]])>>> torch.where(c > 0, a, b)tensor([[1., 0., 1.],    [0., 0., 0.]])

把张量中的每个数据都代入条件中，如果其大于 0 就得出 a，其它情况就得出 b，同样是把 a 和 b 的相同位置的数据导出。

查表搜集：torch.gather(input, dim, index, out=None) → Tensor

沿给定轴 dim，将输入索引张量 index 指定位置的值进行聚合

对一个3维张量，输出可以定义为：

• out[i][j][k] = tensor[index[i][j][k]][j][k] # dim=0
• out[i][j][k] = tensor[i][index[i][j][k]][k] # dim=1
• out[i][j][k] = tensor[i][j][index[i][j][k]] # dim=3

举个例子：

>>> a = torch.randn(4, 10)>>> b = a.topk(3, dim = 1)>>> b(tensor([[ 1.0134, 0.8785, -0.0373],    [ 1.4378, 1.4022, 1.0115],    [ 0.8985, 0.6795, 0.6439],    [ 1.2758, 1.0294, 1.0075]]), tensor([[5, 7, 6],    [2, 5, 8],    [5, 9, 2],    [7, 9, 6]]))>>> index = b[1]>>> indextensor([[5, 7, 6],    [2, 5, 8],    [5, 9, 2],    [7, 9, 6]])>>> label = torch.arange(10) + 100>>> labeltensor([100, 101, 102, 103, 104, 105, 106, 107, 108, 109])>>> torch.gather(label.expand(4, 10), dim=1, index=index.long()) # 进行聚合操作tensor([[105, 107, 106],    [102, 105, 108],    [105, 109, 102],    [107, 109, 106]]) 

把 label 扩展为二维数据后，以 index 中的每个数据为索引，取出在 label 中索引位置的数据，再以 index 的的位置摆放。

比如，最后得出的结果中，第一行的 105 就是 label.expand(4, 10) 中第一行中索引为 5 的数据，提取出来后放在 5 所在的位置。

 以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。