中英文微信网站建设,seo关键词优化报价价格,网站统计分析工具,手机版网站开发html5一. torch.nonzero()函数解析
1. 官网链接
torch.nonzero()#xff0c;如下图所示#xff1a;
2. torch.nonzero()函数解析
2.1. 输入是一维张量#xff0c;返回一个包含输入 input 中非零元素索引的张量#xff0c;输出张量中的每行包含 input 中非零元素的索引如下图所示
2. torch.nonzero()函数解析
2.1. 输入是一维张量返回一个包含输入 input 中非零元素索引的张量输出张量中的每行包含 input 中非零元素的索引输出是二维张量torch.size(z,1) z 是输入张量 input 中所有非零元素的个数。 2.2. 输入是n维张量如果输入 input 有 n 维,则输出的索引张量的size为torch.size(z,n) , 这里 z 是输入张量 input 中所有非零元素的个数。 无论输入是几维输出张量都是两维每行代表输入张量中非零元素的索引位置(在所有维度上面的位置)。 返回 input中非零元素的索引下标n维input 中的元素的索引有n 个维度的索引下标。
3. 代码举例
3.1 输入一维张量torch.Size([5])返回的是输入张量不为零的值在一维向量中的索引位置输出二维张量torch.Size([4, 1])4代表输入张量中不为零的个数,1代表在一维张量中的索引位置。
x torch.tensor([1, 1, 1, 0, 1])
y torch.nonzero(x)
x,x.shape,y,y.shape输出结果如下
(tensor([1, 1, 1, 0, 1]),torch.Size([5]),tensor([[0],[1],[2],[4]]),torch.Size([4, 1]))3.2 输入二维张量torch.Size([4, 4])返回的是不为零的值在二维向量中的坐标例如[0, 0]、[0,2]代表的是二维向量第一行第一列第一行第三列不为零输出二维张量torch.Size([6, 2])6代表输入张量中不为零的个数2代表在二维张量中的索引位置。 input是2维的一共有6个非0元素所以输出是一个torch.Size([6, 2])的张量表示每个非0元素的索引。读法是从左往右比如输出张量的第0行[0,0]表示的就是input的第0行的第0个元素是非0元素同理输出张量的第1行[0,2]表示的就是input的第1行的第2个元素是非0元素等等。
x torch.tensor([[0.6, 0.0, 0.9, 0.0],[0.0, 0.4, 0.0, 0.0], [0.0, 0.0, 1.2, 0.0],[0.0, 0.7, 0.0,-0.4]])
y torch.nonzero(x)
x,x.shape,y,y.shape输出结果如下
(tensor([[ 0.6000, 0.0000, 0.9000, 0.0000],[ 0.0000, 0.4000, 0.0000, 0.0000],[ 0.0000, 0.0000, 1.2000, 0.0000],[ 0.0000, 0.7000, 0.0000, -0.4000]]),torch.Size([4, 4]),tensor([[0, 0],[0, 2],[1, 1],[2, 2],[3, 1],[3, 3]]),torch.Size([6, 2]))3.3. 输入三维张量torch.Size([2, 3, 4])返回的是不为零的值在三维向量中的坐标将下面例子看作图像那么图像维度大小[2,3,4]对应于[channels, width, height]例如[0, 0, 3]代表的是第一个通道第一行第一列不为零输出二维张量torch.Size([13, 3])13代表输入张量中不为零的个数3代表在三维张量中的索引位置。 输出张量按行依次从左往右读第0个通道第0行第0列的元素非0第0个通道第1行第0列的元素非0……第1个通道第2行第2列的元素非0第1个通道第2行第2列的元素非0。
x torch.randn(2,3,4)
y (x0.1)
z torch.nonzero(y)
x,x.shape,y,y.shape,z,z.shape输出结果如下
(tensor([[[ 0.3326, -0.9972, -0.4871, -1.3885],[ 0.4679, -1.7913, 2.0604, 0.3150],[-0.6156, -0.5204, 0.2902, -0.0780]],[[ 1.2206, -0.7150, -0.1662, 0.5120],[ 0.2907, 0.1285, 0.8520, -1.2698],[ 0.5176, -0.3800, 0.4408, 0.5073]]]),torch.Size([2, 3, 4]),tensor([[[ True, False, False, False],[ True, False, True, True],[False, False, True, False]],[[ True, False, False, True],[ True, True, True, False],[ True, False, True, True]]]),torch.Size([2, 3, 4]),tensor([[0, 0, 0],[0, 1, 0],[0, 1, 2],[0, 1, 3],[0, 2, 2],[1, 0, 0],[1, 0, 3],[1, 1, 0],[1, 1, 1],[1, 1, 2],[1, 2, 0],[1, 2, 2],[1, 2, 3]]),torch.Size([13, 3]))
