用PyTorch中的张量索引多维张量

我有以下代码：

a = torch.randint(0,10,[3,3,3,3])
b = torch.LongTensor([1,1,1,1])

我有一个多维索引

b

，想用它在

a

中选择一个单元格。如果b不是张量，我可以：

a[1,1,1,1]

返回正确的单元格，但：

a[b]

不起作用，因为它只选择了

a[1]

四次

---

我该怎么做？谢谢

您可以使用将

b

拆分为4，然后使用分块的

b

为所需的特定元素编制索引：

>> a = torch.arange(3*3*3*3).view(3,3,3,3)
>> b = torch.LongTensor([[1,1,1,1], [2,2,2,2], [0, 0, 0, 0]]).t()
>> a[b.chunk(chunks=4, dim=0)]   # here's the trick!
Out[24]: tensor([[40, 80,  0]])

它的优点在于，它可以很容易地推广到

a

的任何维度，您只需使卡盘的数量等于

a

的维度，一个更优雅（更简单）的解决方案可能是将

b

转换为元组：

a[tuple(b)]
Out[10]: tensor(5.)

---

我很好奇这是如何与“常规”numpy一起工作的，并找到了一篇相关文章对此进行了很好的解释。

增加了能够同时使用多个索引的好处，而我在问题中没有说明这一点。测试了这一点，它的工作，虽然值得注意的是，我需要压缩输出。谢谢@Chum ChumScarecrows感谢您的接受，但AFAIK也推广到多个指数。我想你应该接受他的观点。有没有办法让这个解决方案与索引列表一起工作？结果是

a[list（b）]

也能工作。有趣。或者你指的是“列表中的元素列表”（即类似于

b=[[1,1,1,1]，[1,1,2]，[2,3,1,2]

？嗯……我们可以不将索引张量转换为元组就这样做吗？（假设它很大，驻留在GPU上，制作一个元组会将所有值拉到CPU上，这既增加了开销，又迫使GPU在CPU上等待，反之亦然）。我已经有一段时间没有使用它了，所以我无法自信地回答您的问题。我的直觉告诉我，这是不可能的，您将不得不移动数据。不过，我很高兴被证明是错误的，所以这可能是一个单独的问题？