网站建设的教程aso优化的主要内容为

PyTorch深度学习总结

第三章 PyTorch中张量(Tensor)切片操作

---

---

一、前言

上文介绍了PyTorch中改变张量(Tensor)形状的操作，本文主要介绍张量切片操作。

---

二、获取张量中的元素

1、切片（行、列数）方法

①

# 引入库
import torch# 生成张量
A = torch.arange(9).reshape(3, 3)
print(A)

生成张量A：
tensor(
[[0, 1, 2],
[3, 4, 5],
[6, 7, 8]])

---

现截取A[0]:

print(A[0]) # 截取最外围括号内第一个括号的内容,第一个维度第一行的内容

结果为：
tensor([0, 1, 2])

②

# 引入库
import torch# 生成张量
B = torch.arange(9).reshape(1, 3, 3)
print(B)

生成张量B：
tensor(
[[[0, 1, 2],
[3, 4, 5],
[6, 7, 8]]])

---

现截取B[0]:

print(B[0]) # 截取最外围括号内第括号的内容,第一个维度第一行的内容

结果为：
tensor(
[[0, 1, 2],
[3, 4, 5],
[6, 7, 8]])

③根据上文张量B进行截取

print(B[0, 1:2, 1:2])

结果为：
tensor([[4]])
注意此时[1：2]指第2个元素开头到第三个元素为至，且不包含第三个元素。(属于包含左边不包含右边，先行后列)

---

print(B[0, 1:3, 1:2])

结果为：
tensor([[4], [7]])

---

print(B[0, -1, -2])

结果为：
tensor(7)

---

print(B[0, -3:-1, -2]) # 第一个维度，倒数第三行到倒数二行，倒数第二列的元素

结果为：
tensor([1, 4])

④通过比较关系输出元素

print(B[B>=3])

结果为：
tensor([3, 4, 5, 6, 7, 8])
注意此处为获取元素组成1维张量

2、torch.where()函数

C = -B
D = torch.where(B>4, B, C)
print(D)

输出结果为：
tensor(
[[[ 0, -1, -2],
[-3, -4, 5],
[ 6, 7, 8]]])

3、使元素置零的操作

函数	描述
torch.tril(A, diagonal=0)	将A以第一个元素为对角线的直线，将上三角置零
torch.triu(A, diagonal=0)	将A以第一个元素为对角线的直线，将下三角置零
torch.diag(A)	保留对角线，将其他元素全部置零,输入必须是二维张量

示例：

torch.tril():

E1 = torch.tril(B, diagonal=0)
print(E1)

输出结果为：
tensor(
[[[0, 0, 0],
[3, 4, 0],
[6, 7, 8]]])

---

E2 = torch.tril(B, diagonal=1)
print(E2)

输出结果为：
tensor(
[[[0, 1, 0],
[3, 4, 5],
[6, 7, 8]]])

torch.triu():

F = torch.triu(B, diagonal=0)
print(F)

输出结果为：
tensor(
[[[0, 1, 2],
[0, 4, 5],
[0, 0, 8]]])

torch.diag():

H = torch.diag(A)
print(H)

输出结果为：
tensor([0, 4, 8])

---