深度学习与PyTorch入门实战 - 08. 索引与切片

## 《深度学习与PyTorch入门实战 - 08. 索引与切片》总结 ### 一、索引操作 PyTorch支持多维张量的索引，从0开始，可以通过逗号分隔的索引访问不同维度的元素。例如： - `a[0].shape` 返回第四维的张量，形状为[3, 28, 28]。 - `a[0,0].shape` 返回第三维的张量，形状为[28, 28]。 - `a[0,0,2,4]` 提取特定位置的元素，返回一个标量。 ### 二、切片操作 切片操作可以从张量中提取部分元素，并支持步长参数。常见用法包括： - `af[:2, :2, ::2].shape` 提取前两维的前两部分，步长为2，结果形状为[4, 3, 14, 14]。 - `a[:, 1, ...].shape` 访问第二个维度的第2个元素，结果形状为[4, 28, 28]。 - `a[..., :2].shape` 提取最后一个维度的前两个元素，结果形状为[4, 3, 28, 2]。 ### 三、索引函数 PyTorch提供了多个实用函数来处理张量索引： - `torch.take(src, indices)`：根据指定索引提取元素。例如，`torch.take(src, torch.tensor([0,2,6]))`从src中提取索引0、2、6处的元素。 - `torch.index_select(a, dim, indices)`：在指定维度上进行索引。例如，`a.index_select(2, torch.arange(28))`。 - `torch.masked_select(x, mask)`：根据掩码提取满足条件的元素。例如，使用`x.ge(0.5)`创建掩码，提取大于等于0.5的元素。 ### 四、其他操作 通过索引设置，可以修改张量的内容： - `a.index_setlect(2, torch.arange(28))` 在指定维度设置新值，形状保持不变。 这些索引和切片操作提供了灵活的方式来访问和操作张量，使数据处理更加高效。