5.索引和切片

一.维度为零

a=torch.rand(4,3,28,28)
print(a[0].shape)
print(a[0,1].shape)
print(a[0,1,1,1].shape)
print(a[0,1,1,1])

该4维tensor，可理解为4张、3通道的、大小为28*28的图片，对于第0张图片的大小则是【3，28，28】。对于第0张，第1个通道的图片，里面第一行第一列的像素点是一个标量，所以输出该点像素的值。

二.多维度

1.选择[first：last]

1.全部[：]

索引取全部

a=torch.rand(4,3,28,28)
print(a[:].shape)

取全部4张数的所有的大小

2.[n：]、[：n]

[n：]是从n开始到最后，[：n]是从第一个到第n个且不包括n

a=torch.rand(4,3,28,28)
print(a[:,:2,:,:].shape)
print(a[:,1:,:,:].shape)
print(a[:,-1:,:,:].shape)
print(a[:,-2:,:,:].shape)

其他取全部，第一个是取通道为前两个的大小，第二个是取后两个的大小。

对于3个数，-1就是最后一个数，-2指的是倒数第二个数，-1：，-1到最后总共只有1个。

3.[first：last]

从第一个到最后一个，且不包括最后一个，即[first，last）

a=torch.rand(4,3,28,28)
print(a[:,0:3,:,:].shape)

对于通道，0到3但不包括3，即0，1，2

4.[：：：steps]

前面两个同前面，最后一个是步长。

a=torch.rand(4,3,28,28)
print(a[:,0:3,::2,0:28:].shape)

对于图片，选取以步长为2的每一行，选取以步长为1的每一列。
其中，0：28：，等于，0：28：1。

2.选取特定的索引

1.index_select

a=torch.rand(4,3,28,28)
print(a.index_select(2,torch.tensor([0,3,4])).shape)

选取索引为2的，也就是图片的行28，里面再选择，第0、第3、第4共3列的。

a=torch.rand(4,3,28,28)
print(a.index_select(2,torch.arange(3)).shape)

2. …

相当于多个：一起使用，仅仅为了方便。

a=torch.rand(4,3,28,28)
print(a[:,0:3,...].shape)

相当于a[:,0:3,:,:]

3.masked_select()

a=torch.randn(3,4)
print(a)
mask=a.ge(0.6)
print(mask)
print(torch.masked_select(a,mask))
print(torch.masked_select(a,mask).shape)

随机产生一个3行4列的tensor，mask：将大于0.6的值赋1，其余值归0。再将tensor中所有符合条件大于0.6的筛选出来。

4.打平后选择索引take

a=torch.randn(2,3)
print(a)
print(torch.take(a,torch.tensor([0,5])))

将a这个tensor打平成1维的，然后按照索引取第0个和第5个。之所以打平是因为大于0.6的元素是根据实际内容所决定的。