Pytorch基础操作 —— 12. 从张量中选取数据

数据库管理：SQL基础及MySQL操作 #生活知识# #编程教程#

文章目录 torch.index_select例程 torch.masked_select例程 torch.take例程 torch.take_along_dim例程 torch.gather例程 torch.where例程 FunctionDescriptionAbstractindex_selectReturns a new tensor which indexes the input tensor along dimension dim using the entries in index which is a LongTensor.引索选取masked_selectReturns a new 1-D tensor which indexes the input tensor according to the boolean mask mask which is a BoolTensor.掩码选取takeReturns a new tensor with the elements of input at the given indices.以1维的方式按引索选取take_along_dimSelects values from input at the 1-dimensional indices from indices along the given dim.以某轴，按引索选取gatherGathers values along an axis specified by dim.-whereReturn a tensor of elements selected from either x or y, depending on condition.-

torch.index_select

函数原型

torch.index_select(input, dim, index, *, out=None) → Tensor 1

从输入的张量里，按照某个维度方向，选取出数据并组成一个新的张量，其返回的数据长度，或深度信息，与原始的输入保持一致。

例程

>>> x = torch.randn(3, 4) >>> x tensor([[ 0.1427, 0.0231, -0.5414, -1.0009], [-0.4664, 0.2647, -0.1228, -1.1068], [-1.1734, -0.6571, 0.7230, -0.6004]]) >>> indices = torch.tensor([0, 2]) >>> torch.index_select(x, 0, indices) tensor([[ 0.1427, 0.0231, -0.5414, -1.0009], [-1.1734, -0.6571, 0.7230, -0.6004]]) >>> torch.index_select(x, 1, indices) tensor([[ 0.1427, -0.5414], [-0.4664, -0.1228], [-1.1734, 0.7230]]) 123456789101112131415

torch.masked_select

函数原型

torch.masked_select(input, mask, *, out=None) → Tensor 1

这是另外一种数据选取的方式，我们可以让原输入的张量执行某种比较运算后得到一个MASK，然后通过这个函数可以迅速地选取合适的数据，并组成一个新的 1D 张量。

例程

>>> x = torch.randn(3, 4) >>> x tensor([[ 0.3552, -2.3825, -0.8297, 0.3477], [-1.2035, 1.2252, 0.5002, 0.6248], [ 0.1307, -2.0608, 0.1244, 2.0139]]) >>> mask = x.ge(0.5) >>> mask tensor([[False, False, False, False], [False, True, True, True], [False, False, False, True]]) >>> torch.masked_select(x, mask) tensor([ 1.2252, 0.5002, 0.6248, 2.0139]) 1234567891011121314

torch.take

函数原型

torch.take(input, index) → Tensor 1

它会把输入的张量先理解成一个同等元素量的1D张量，类似于：

tensor.reshape(-1)

然后允许使用者使用一组下标，从原始输入中摘去需要的数据，并重新组成一个新的张量。

例程

>>> src = torch.tensor([[4, 3, 5], [6, 7, 8]]) >>> torch.take(src, torch.tensor([0, 2, 5])) tensor([ 4, 5, 8]) 1234

torch.take_along_dim

函数原型

torch.take_along_dim(input, indices, dim, *, out=None) → Tensor 1

它会把输入的张量先理解成一个同等元素量的1D张量，类似于：

tensor.reshape(-1)

然后允许用户使用 torch.argmax() 或 torch.argsort() 或自定义下标，然后沿着某个维度方向选取数据，得到的新数据会重新组合成一个新的张量，有点像 torch.take() 函数的升级版。

例程

>>> t = torch.tensor([[10, 30, 20], [60, 40, 50]]) >>> max_idx = torch.argmax(t) >>> torch.take_along_dim(t, max_idx) tensor([60]) >>> sorted_idx = torch.argsort(t, dim=1) >>> torch.take_along_dim(t, sorted_idx, dim=1) tensor([[10, 20, 30], [40, 50, 60]]) 123456789

torch.gather

函数原型

torch.gather(input, dim, index, *, sparse_grad=False, out=None) → Tensor 1

沿着某个指定的轴方向，选取数据。对于3D张量来说，其选取数据的方式如下。

out[i][j][k] = input[index[i][j][k]][j][k] # if dim == 0 out[i][j][k] = input[i][index[i][j][k]][k] # if dim == 1 out[i][j][k] = input[i][j][index[i][j][k]] # if dim == 2 123

它有一个要求，输入的张量和查询的张量应该有一样的维度，并且 index.size(d) <= input.size(d)，并且每一个维度的 d != dim 输出的张量维度和查询输入的维度一样。

另外，这个函数不是很常用。

例程

>>> t = torch.tensor([[1, 2], [3, 4]]) >>> torch.gather(t, 1, torch.tensor([[0, 0], [1, 0]])) tensor([[ 1, 1], [ 4, 3]]) 1234

torch.where

函数原型

torch.where(condition, x, y) → Tensor 1

从输入的张量的 x 和 y 选取数据，规则遵循下面的规则

out i = { x i if  condition i y i otherwise \text{out}_i = {xiif conditioniyiotherwise

outi​={xi​yi​​if conditioni​otherwise​

例程

>>> x = torch.randn(3, 2) >>> y = torch.ones(3, 2) >>> torch.where(x > 0, x, y) tensor([[ 1.0000, 0.3139], [ 0.3898, 1.0000], [ 0.0478, 1.0000]]) >>> x = torch.randn(2, 2, dtype=torch.double) >>> x tensor([[ 1.0779, 0.0383], [-0.8785, -1.1089]], dtype=torch.float64) >>> torch.where(x > 0, x, 0.) tensor([[1.0779, 0.0383], [0.0000, 0.0000]], dtype=torch.float64) 123456789101112131415

网址：Pytorch基础操作 —— 12. 从张量中选取数据 https://www.yuejiaxmz.com/news/view/473235

相关内容

pytorch 1.1.0升级
语音识别与合成：PyTorch实践
把显存用在刀刃上！17 种 pytorch 节约显存技巧
pytorch中的model=model.to(device)使用说明
PyTorch 深度学习框架简介：灵活、高效的 AI 开发工具
深入了解PyTorch中的语音识别和语音生成
节省显存新思路，在 PyTorch 里使用 2 bit 激活压缩训练神经网络
PyToch：基于神经网络的数字识别（MNIST数据集）
手机支付成中国“生活基础设施” 大数据催生新业态
深入理解PyTorch的语音识别与语音合成1.背景介绍 语音识别和语音合成是人工智能领域中的两个重要技术，它们在现实生活

随便看看