Indexing 张量的torch逻辑标引

我正在寻找一种优雅的方法来选择满足某些约束的torch张量的子集。 例如，假设我有：

A = torch.rand(10,2)-1

而

S

是一个10x1张量

sel = torch.ge(S,5) -- this is a ByteTensor

我希望能够进行逻辑索引，如下所示：

A1 = A[sel]

但这不起作用。 因此有一个

索引

函数，它接受

长传感器

，但我找不到一种简单的方法将

s

转换为

长传感器

，除了以下几点：

sel = torch.nonzero(sel)

它返回一个kx2张量（K是S>=5的值的数目）。因此，我必须将其转换为一维数组，这最终允许我索引a：

A:index(1,torch.squeeze(sel:select(2,1)))

这是非常麻烦的；在Matlab中，我所要做的就是

A(S>=5,:)

---

有人能提出更好的办法吗

一种可能的选择是：

sel = S:ge(5):expandAs(A)   -- now you can use this mask with the [] operator
A1 = A[sel]:unfold(1, 2, 2) -- unfold to get back a 2D tensor

例如：

> A = torch.rand(3,2)-1
-0.0047 -0.7976
-0.2653 -0.4582
-0.9713 -0.9660
[torch.DoubleTensor of size 3x2]

> S = torch.Tensor{{6}, {1}, {5}}
 6
 1
 5
[torch.DoubleTensor of size 3x1]

> sel = S:ge(5):expandAs(A)
1  1
0  0
1  1
[torch.ByteTensor of size 3x2]

> A[sel]
-0.0047
-0.7976
-0.9713
-0.9660
[torch.DoubleTensor of size 4]

> A[sel]:unfold(1, 2, 2)
-0.0047 -0.7976
-0.9713 -0.9660
[torch.DoubleTensor of size 2x2]

---

有两种更简单的选择：

使用遮罩选择：

result=A:maskedSelect（你的字节张量）

例如，使用简单的元素乘法

result=torch.cmul（A，S:gt（0））

---

如果您需要保持原始矩阵（即A）的形状，例如选择backprop层中的神经元，则第二种方法非常有用。但是，由于每当ByteTensor指定的条件不适用时，它会在结果矩阵中放入零，因此不能使用它来计算乘积（或中值等）。第一个函数只返回满足条件的元素，所以这就是我用来计算乘积、中间值或任何其他我不需要零的东西

很好，这是我错过的。虽然我认为通过重塑可以更直观地完成。谢谢