TA貢獻(xiàn)1795條經(jīng)驗(yàn) 獲得超7個(gè)贊
這里的關(guān)鍵特性是將張量的值lengths作為 的索引傳遞x。這里簡化的例子，我交換了容器的尺寸，所以 index dimenson 首先：
container = torch.arange(0, 50 )
container = f.reshape((5, 10))
>>>tensor([[ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14, 15, 16, 17, 18, 19],
[20, 21, 22, 23, 24, 25, 26, 27, 28, 29],
[30, 31, 32, 33, 34, 35, 36, 37, 38, 39],
[40, 41, 42, 43, 44, 45, 46, 47, 48, 49]])
indices = torch.arange( 2, 7, dtype=torch.long )
>>>tensor([2, 3, 4, 5, 6])
print( container[ range( len(indices) ), indices] )
>>>tensor([ 2, 13, 24, 35, 46])
注意：我們從一行中得到一件事（range( len(indices) )產(chǎn)生連續(xù)的行號(hào)），列號(hào)由索引[ row_number ]
TA貢獻(xiàn)1827條經(jīng)驗(yàn) 獲得超9個(gè)贊
在被這種行為難住之后，我對(duì)此進(jìn)行了更多挖掘，發(fā)現(xiàn)它與多維 NumPy 數(shù)組的索引行為一致。使這種違反直覺的原因是兩個(gè)數(shù)組必須具有相同的長度這一不太明顯的事實(shí)，即在這種情況下len(lengths)。
事實(shí)上，它的工作原理如下： *lengths確定您訪問第一個(gè)維度的順序。即，如果您有一個(gè)一維數(shù)組a = [0, 1, 2, ...., 500]，并使用 list 訪問它b = [300, 200, 100]，那么結(jié)果a[b] = [301, 201, 101]（這也解釋了lengths - 1運(yùn)算符，它只會(huì)導(dǎo)致訪問的值與分別在b、 或lengths中使用的索引相同）。*range(len(lengths))然后 * 只需選擇第 - 行i中的第 - 個(gè)元素i。如果您有一個(gè)方陣，您可以將其解釋為矩陣的對(duì)角線。由于您只能訪問前兩個(gè)維度上每個(gè)位置的單個(gè)元素，因此可以將其存儲(chǔ)在一個(gè)維度中（從而將您的 3D 張量減少到 2D）。后一個(gè)維度簡單地保持“原樣”。
如果你想玩這個(gè)，我強(qiáng)烈建議將range()值更改為更長/更短的值，這將導(dǎo)致以下錯(cuò)誤：
IndexError：形狀不匹配：索引數(shù)組無法與形狀（x，）（y，）一起廣播
其中x和y是您的特定長度值。
要以長形式編寫此訪問方法以了解“幕后”發(fā)生的情況，還請(qǐng)考慮以下示例：
import torch
x = torch.randint(500, 50, 1)
lengths = torch.tensor([2, 30, 1, 4]) # random examples to explore
diag = list(range(len(lengths))) # [0, 1, 2, 3]
result = []
for i, row in enumerate(lengths):
temp_tensor = x[row, :, :] # temp_tensor.shape = [1, 50, 1]
temp_tensor = temp_tensor.squeeze(0)[diag[i]] # temp_tensor.shape = [1, 1]
result.append(temp.tensor)
# back to pytorch
result = torch.tensor(result)
result.shape # [4, 1]
舉報(bào)