PyTorch Tensor.index_select() 如何评估张量输出？答案

【问题标题】：How does PyTorch Tensor.index_select() evaluates tensor output?PyTorch Tensor.index_select() 如何评估张量输出？
【发布时间】：2021-04-10 11:51:05
【问题描述】：

我无法理解索引的复杂性——张量的非连续索引是如何工作的。这是一个示例代码及其输出

import torch

def describe(x):
  print("Type: {}".format(x.type()))
  print("Shape/size: {}".format(x.shape))
  print("Values: \n{}".format(x))


indices = torch.LongTensor([0,2])
x = torch.arange(6).view(2,3)
describe(torch.index_select(x, dim=1, index=indices))

返回输出为

类型：torch.LongTensor 形状/大小：torch.Size([2, 2]) 值：张量（[[0, 2]， [3, 5]])

有人能解释一下它是如何到达这个输出张量的吗？谢谢！

【问题讨论】：

标签： python indexing pytorch tensor

【解决方案1】：

您正在从第一个轴 (dim=0) 上的 x 中选择第一个 (indices[0] 是 0) 和第三个 (indices[1] 是 2) 张量。从本质上讲，torch.index_select 和 dim=1 的工作方式与使用 x[:, indices] 在第二个轴上进行直接索引相同。

>>> x
tensor([[0, 1, 2],
        [3, 4, 5]])

因此选择列（因为您查看的是dim=1 而不是dim=0）哪些索引在indices 中。想象一下有一个简单的列表 [0, 2] 作为indices：

>>> indices = [0, 2]

>>> x[:, indices[0]] # same as x[:, 0]
tensor([0, 3])

>>> x[:, indices[1]] # same as x[:, 2]
tensor([2, 5])

因此，将索引作为torch.Tensor 传递允许您直接索引索引的所有元素，即列0 和2。类似于 NumPy 的索引工作原理。

>>> x[:, indices]
tensor([[0, 2],
        [3, 5]])

这是另一个示例，可帮助您了解其工作原理。将x 定义为x = torch.arange(9).view(3, 3)，所以我们有3 行（又名dim=0）和3 列（又名dim=1）。

>>> indices
tensor([0, 2]) # namely 'first' and 'third'

>>> x = torch.arange(9).view(3, 3)
tensor([[0, 1, 2],
        [3, 4, 5],
        [6, 7, 8]])

>>> x.index_select(0, indices) # select first and third rows
tensor([[0, 1, 2],
        [6, 7, 8]])

>>> x.index_select(1, indices) # select first and third columns
tensor([[0, 2],
        [3, 5],
        [6, 8]])

注意：torch.index_select(x, dim, indices) 等价于x.index_select(dim, indices)

【讨论】：