Tensor索引操作

#Tensor索引操作
    '''''
    Tensor支持与numpy.ndarray类似的索引操作，语法上也类似
    如无特殊说明，索引出来的结果与原tensor共享内存，即修改一个，另一个会跟着修改
    '''
    import torch as t

    a = t.randn(3,4)
    '''''tensor([[ 0.1986,  0.1809,  1.4662,  0.6693],
            [-0.8837, -0.0196, -1.0380,  0.2927],
            [-1.1032, -0.2637, -1.4972,  1.8135]])'''
    print(a[0])         #第0行
    '''''tensor([0.1986, 0.1809, 1.4662, 0.6693])'''
    print(a[:,0])       #第0列
    '''''tensor([ 0.1986, -0.8837, -1.1032])'''
    print(a[0][2])      #第0行第2个元素，等价于a[0,2]
    '''''tensor(1.4662)'''
    print(a[0][-1])     #第0行最后一个元素
    '''''tensor(0.6693)'''
    print(a[:2,0:2])    #前两行，第0,1列
    '''''tensor([[ 0.1986,  0.1809],
            [-0.8837, -0.0196]])'''

    print(a[0:1,:2])    #第0行，前两列
    '''''tensor([[0.1986, 0.1809]])'''
    print(a[0,:2])      #注意两者的区别，形状不同
    '''''tensor([0.1986, 0.1809])'''

    print(a>1)
    '''''tensor([[0, 0, 1, 0],
            [0, 0, 0, 0],
            [0, 0, 0, 1]], dtype=torch.uint8)'''
    print(a[a>1])        #等价于a.masked_select(a>1),选择结果与原tensor不共享内存空间
    print(a.masked_select(a>1))
    '''''tensor([1.4662, 1.8135])
    tensor([1.4662, 1.8135])'''
    print(a[t.LongTensor([0,1])])
    '''''tensor([[ 0.1986,  0.1809,  1.4662,  0.6693],
            [-0.8837, -0.0196, -1.0380,  0.2927]])'''

    '''''
                            常用的选择函数
    index_select(input,dim,index)   在指定维度dim上选取，列如选择某些列、某些行
    masked_select(input,mask)       例子如上，a[a>0],使用ByteTensor进行选取
    non_zero(input)                 非0元素的下标
    gather(input,dim,index)         根据index，在dim维度上选取数据，输出size与index一样
    gather是一个比较复杂的操作，对一个二维tensor，输出的每个元素如下：
        out[i][j] = input[index[i][j]][j]   #dim = 0
        out[i][j] = input[i][index[i][j]]   #dim = 1
    '''

    b = t.arange(0,16).view(4,4)
    '''''tensor([[ 0,  1,  2,  3],
            [ 4,  5,  6,  7],
            [ 8,  9, 10, 11],
            [12, 13, 14, 15]])'''
    index = t.LongTensor([[0,1,2,3]])
    print(b.gather(0,index))            #取对角线元素
    '''''tensor([[ 0,  5, 10, 15]])'''

    index = t.LongTensor([[3,2,1,0]]).t()       #取反对角线上的元素
    print(b.gather(1,index))
    '''''tensor([[ 3],
            [ 6],
            [ 9],
            [12]])'''

    index = t.LongTensor([[3,2,1,0]])           #取反对角线的元素，与上面不同
    print(b.gather(0,index))
    '''''tensor([[12,  9,  6,  3]])'''

    index = t.LongTensor([[0,1,2,3],[3,2,1,0]]).t()
    print(b.gather(1,index))
    '''''tensor([[ 0,  3],
            [ 5,  6],
            [10,  9],
            [15, 12]])'''

    '''''
    与gather相对应的逆操作是scatter_，gather把数据从input中按index取出，而
    scatter_是把取出的数据再放回去，scatter_函数时inplace操作
    out = input.gather(dim,index)
    out = Tensor()
    out.scatter_(dim,index)
    '''

    x = t.rand(2, 5)
    print(x)
    c = t.zeros(3, 5).scatter_(0, t.LongTensor([[0, 1, 2, 0, 0], [2, 0, 0, 1, 2]]), x)
    print(c)
2018-10-23 20:30:30