詳解PyTorch中Tensor的高階操作

更新時間：2019年08月18日 15:40:16 作者：Steven·簡談

這篇文章主要介紹了詳解PyTorch中Tensor的高階操作，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧

條件選取：torch.where(condition, x, y) → Tensor

返回從 x 或 y 中選擇元素的張量，取決于 condition

操作定義：

舉個例子：

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

把張量中的每個數(shù)據(jù)都代入條件中，如果其大于 0 就得出 a，其它情況就得出 b，同樣是把 a 和 b 的相同位置的數(shù)據(jù)導出。

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

沿給定軸 dim，將輸入索引張量 index 指定位置的值進行聚合

對一個3維張量，輸出可以定義為：

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

舉個例子：

>>> 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]
>>> index
tensor([[5, 7, 6],
    [2, 5, 8],
    [5, 9, 2],
    [7, 9, 6]])
>>> label = torch.arange(10) + 100
>>> label
tensor([100, 101, 102, 103, 104, 105, 106, 107, 108, 109])
>>> torch.gather(label.expand(4, 10), dim=1, index=index.long()) # 進行聚合操作
tensor([[105, 107, 106],
    [102, 105, 108],
    [105, 109, 102],
    [107, 109, 106]])

把 label 擴展為二維數(shù)據(jù)后，以 index 中的每個數(shù)據(jù)為索引，取出在 label 中索引位置的數(shù)據(jù)，再以 index 的的位置擺放。

比如，最后得出的結果中，第一行的 105 就是 label.expand(4, 10) 中第一行中索引為 5 的數(shù)據(jù)，提取出來后放在 5 所在的位置。

以上就是本文的全部內(nèi)容，希望對大家的學習有所幫助，也希望大家多多支持腳本之家。

您可能感興趣的文章: