Pytorch-索引与切片

引言

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])