这篇文章主要介绍了详解PyTorch中Tensor的高阶操作，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
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 c
来源gao!%daima.com搞$代*!码网
ondition
操作定义：
举个例子：
>>> 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] >>> 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()) # 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。
以上就是详解PyTorch中Tensor的高阶操作的详细内容，更多请关注gaodaima搞代码网其它相关文章！
搞代码网（gaodaima.com）提供的所有资源部分来自互联网，如果有侵犯您的版权或其他权益，请说明详细缘由并提供版权或权益证明然后发送到邮箱[email protected]，我们会在看到邮件的第一时间内为您处理，或直接联系QQ：872152909。本网站采用BY-NC-SA协议进行授权
转载请注明原文链接：详解PyTorch中Tensor的高阶操作
转载请注明原文链接：详解PyTorch中Tensor的高阶操作
