Pytorch中切片的解释

Question

为什么每次输出都一样？

a = torch.tensor([0, 1, 2, 3, 4])
a[-2:] = torch.tensor([[[5, 6]]])
a

张量([0, 1, 2, 5, 6])

a = torch.tensor([0, 1, 2, 3, 4])
a[-2:] = torch.tensor([[5, 6]])
a

张量([0, 1, 2, 5, 6])

a = torch.tensor([0, 1, 2, 3, 4])
a[-2:] = torch.tensor([5, 6])
a

张量([0, 1, 2, 5, 6])

Answer 1

Pytorch 在此处跟随 Numpy allows assignment 进行切片，只要形状兼容，这意味着两侧具有相同的形状或右侧可广播到切片的形状。从尾随维度开始，如果两个数组仅在其中一个为 1 的维度上有所不同，则它们是 broadcastable。所以在这种情况下

a = torch.tensor([0, 1, 2, 3, 4])
b = torch.tensor([[[5, 6]]])
print(a[-2:].shape, b.shape)
>> torch.Size([2]) torch.Size([1, 1, 2])

Pytorch 将执行以下比较：

1. a[-2:].shape[-1] 和 b.shape[-1] 相等，所以最后一个维度是兼容的
2. a[-2:].shape[-2] 不存在，但 b.shape[-2] 为 1，因此它们是兼容的
3. a[-2:].shape[-3] 不存在，但 b.shape[-3] 为 1，因此它们是兼容的
4. 所有维度都兼容，所以b可以广播到a

最后，Pytorch 将在执行分配之前将b 转换为tensor([5, 6])，从而产生结果：

a[-2:] = b
print(a)
>> tensor([0, 1, 2, 5, 6])