Python PyTorch Tensor.index_select（）如何计算张量输出？

我无法理解复杂的索引——张量的非连续索引是如何工作的。下面是一个示例代码及其输出

import torch

def describe(x):
  print("Type: {}".format(x.type()))
  print("Shape/size: {}".format(x.shape))
  print("Values: \n{}".format(x))


indices = torch.LongTensor([0,2])
x = torch.arange(6).view(2,3)
describe(torch.index_select(x, dim=1, index=indices))

将输出返回为

类型：火炬。传感器形状/尺寸：火炬。尺寸（[2，2]）值： 张量（[[0,2]， [3,5]]

有人能解释它是如何到达这个输出张量的吗？

---

谢谢

您正在从第一个轴（

dim=0

）上的

x

中选择第一个（

索引[0]

）和第三个（

索引[1]

是

2

）张量。本质上，使用

dim=1

与使用

x[：，index]

在第二个轴上进行直接索引的效果相同

>>> x
tensor([[0, 1, 2],
        [3, 4, 5]])

因此，选择列（因为您看到的是

dim=1

，而不是

dim=0

）哪些索引位于

索引中。想象一下，将一个简单的列表
[0,2]
作为
索引
：

>>> indices = [0, 2]

>>> x[:, indices[0]] # same as x[:, 0]
tensor([0, 3])

>>> x[:, indices[1]] # same as x[:, 2]
tensor([2, 5])

因此，将索引作为
火炬传递。Tensor
允许您直接对索引的所有元素进行索引，即列
0
和
2
。类似于NumPy的索引工作方式

>>> x[:, indices]
tensor([[0, 2],
        [3, 5]])


下面是另一个例子来帮助您了解它是如何工作的。由于将
x
定义为
x=torch.arange（9）.视图（3,3）
，因此我们有3行（也称为
dim=0
）和3列（也称为
dim=1
）

注：
torch.index\u select（x，dim，index）
等同于
x.index\u select（dim，index）

>>> indices
tensor([0, 2]) # namely 'first' and 'third'

>>> x = torch.arange(9).view(3, 3)
tensor([[0, 1, 2],
        [3, 4, 5],
        [6, 7, 8]])

>>> x.index_select(0, indices) # select first and third rows
tensor([[0, 1, 2],
        [6, 7, 8]])

>>> x.index_select(1, indices) # select first and third columns
tensor([[0, 2],
        [3, 5],
        [6, 8]])