Pytorch中的切片说明

为什么每次的输出都是一样的

a = torch.tensor([0, 1, 2, 3, 4])
a[-2:] = torch.tensor([[[5, 6]]])
a

张量（[0,1,2,5,6]）

张量（[0,1,2,5,6]）

---

张量（[0,1,2,5,6]）

Pytorch在Numpy之后，只要形状兼容，就可以进行切片，这意味着两侧具有相同的形状，或者右侧可以广播到切片的形状。从尾随维度开始，如果两个数组仅在其中一个为1的维度上不同，则两个数组是相同的。所以在这种情况下

a = torch.tensor([0, 1, 2, 3, 4])
b = torch.tensor([[[5, 6]]])
print(a[-2:].shape, b.shape)
>> torch.Size([2]) torch.Size([1, 1, 2])

Pytorch将执行以下比较：

a[-2:].shape[-1]

和

b.shape[-1]

相等，因此最后一个维度是兼容的

a[-2:].shape[-2]

不存在，但

b.shape[-2]

为1，因此它们是兼容的

a[-2:].shape[-3]

不存在，但

b.shape[-3]

为1，因此它们是兼容的

所有维度都兼容，因此

b

可以广播到

a

最后，在执行赋值之前，Pytorch将

b

转换为

张量（[5,6]）

，从而产生结果：

a[-2:] = b
print(a)
>> tensor([0, 1, 2, 5, 6])

---

Pytorch在这里遵循Numpy，只要形状兼容，就可以进行切片，这意味着两侧具有相同的形状，或者右手侧可以广播到切片的形状。从尾随维度开始，如果两个数组仅在其中一个为1的维度上不同，则两个数组是相同的。所以在这种情况下

a = torch.tensor([0, 1, 2, 3, 4])
b = torch.tensor([[[5, 6]]])
print(a[-2:].shape, b.shape)
>> torch.Size([2]) torch.Size([1, 1, 2])

Pytorch将执行以下比较：

a[-2:].shape[-1]

和

b.shape[-1]

相等，因此最后一个维度是兼容的

a[-2:].shape[-2]

不存在，但

b.shape[-2]

为1，因此它们是兼容的

a[-2:].shape[-3]

不存在，但

b.shape[-3]

为1，因此它们是兼容的

所有维度都兼容，因此

b

可以广播到

a

最后，在执行赋值之前，Pytorch将

b

转换为

张量（[5,6]）

，从而产生结果：

a[-2:] = b
print(a)
>> tensor([0, 1, 2, 5, 6])