三维Tensor维度分析,举例mask[0,:],mask[:,:,0],mask[:,0,:]

设三维张量的shape是x、y、z，则可理解为它是由x个二维张量构成，每个二维张量由y个一维张量构成，每个一维张量由z个标量构成。

三种颜色分别代表三个维度.

import torch
torch.manual_seed(seed=20200910)
a = torch.randn(3,4,5)
mask = a > 1.5
print(mask)
print(mask[0,:]) # 索引第0个矩阵
print(mask[:, :, 0]) # 索引每个矩阵,取得每行中的第1个元素.即每个矩阵的第1列
print(mask[:, 0, :]) # 索引每个矩阵,取得每列中的第1个元素.即每个矩阵的第1行
print(mask[1, 1, 1]) # 索引第二个矩阵的第一行,第二个元素
print(mask[1, ::2, ::2]) # 索引第二个矩阵,行和列都是每隔两个取一个

>>>mask:
tensor([[[False,  True,  True, False, False],[False, False, False, False,  True],[False, False,  True, False, False],[False,  True, False, False, False]],[[False, False, False, False, False],[False, False, False, False, False],[False, False, False,  True,  True],[False, False, False, False, False]],[[ True, False, False, False, False],[False, False, False, False, False],[False, False, False, False, False],[False, False, False, False, False]]])>>>mask[0,:]:# 索引第0个矩阵
tensor([[False,  True,  True, False, False],[False, False, False, False,  True],[False, False,  True, False, False],[False,  True, False, False, False]])========================================================================================================>>>mask:
tensor([[[False,  True,  True, False, False],[False, False, False, False,  True],[False, False,  True, False, False],[False,  True, False, False, False]],[[False, False, False, False, False],[False, False, False, False, False],[False, False, False,  True,  True],[False, False, False, False, False]],[[ True, False, False, False, False],[False, False, False, False, False],[False, False, False, False, False],[False, False, False, False, False]]])>>>mask[:, :, 0] # 索引每个矩阵,取得每行中的第1个元素.即每个矩阵的第1列
tensor([[False, False, False, False],[False, False, False, False],[True, False, False, False]])========================================================================================================>>>mask:
tensor([[[False,  True,  True, False, False],[False, False, False, False,  True],[False, False,  True, False, False],[False,  True, False, False, False]],[[False, False, False, False, False],[False, False, False, False, False],[False, False, False,  True,  True],[False, False, False, False, False]],[[ True, False, False, False, False],[False, False, False, False, False],[False, False, False, False, False],[False, False, False, False, False]]])    >>>mask[:, 0, :] # 索引每个矩阵,取得每列中的第1个元素.即每个矩阵的第1行
tensor([[False,  True,  True, False, False],[False, False, False, False, False],[True, False, False, False, False]])>>> mask[1, 1, 1] # 索引第二个矩阵的第一行,第二个元素
tensor(False)>>> mask[1, ::2, ::2] # 索引第二个矩阵,行和列都是每隔两个取一个
tensor([[False, False, False],[False, False,  True]])

print(mask.sum(dim=0,keepdim=True))
print(mask.sum(dim=1,keepdim=True))
print(mask.sum(dim=2,keepdim=True))

>>>mask:
tensor([[[False,  True,  True, False, False],[False, False, False, False,  True],[False, False,  True, False, False],[False,  True, False, False, False]],[[False, False, False, False, False],[False, False, False, False, False],[False, False, False,  True,  True],[False, False, False, False, False]],[[ True, False, False, False, False],[False, False, False, False, False],[False, False, False, False, False],[False, False, False, False, False]]])>>> mask.sum(dim=0,keepdim=True)
tensor([[[1, 1, 1, 0, 0],[0, 0, 0, 0, 1],[0, 0, 1, 1, 1],[0, 1, 0, 0, 0]]])
========================================================================================================>>>mask:
tensor([[[False,  True,  True, False, False],[False, False, False, False,  True],[False, False,  True, False, False],[False,  True, False, False, False]],[[False, False, False, False, False],[False, False, False, False, False],[False, False, False,  True,  True],[False, False, False, False, False]],[[ True, False, False, False, False],[False, False, False, False, False],[False, False, False, False, False],[False, False, False, False, False]]])>>> mask.sum(dim=1,keepdim=True)
tensor([[[0, 2, 2, 0, 1]],[[0, 0, 0, 1, 1]],[[1, 0, 0, 0, 0]]])========================================================================================================>>>mask:
tensor([[[False,  True,  True, False, False],[False, False, False, False,  True],[False, False,  True, False, False],[False,  True, False, False, False]],[[False, False, False, False, False],[False, False, False, False, False],[False, False, False,  True,  True],[False, False, False, False, False]],[[ True, False, False, False, False],[False, False, False, False, False],[False, False, False, False, False],[False, False, False, False, False]]])>>> mask.sum(dim=2,keepdim=True)
tensor([[[2],[1],[1],[1]],[[0],[0],[2],[0]],[[1],[0],[0],[0]]])

三维Tensor维度分析,举例mask[0,:],mask[:,:,0],mask[:,0,:]相关推荐

C语言qsort()函数针对：整型、单个字符、字符串、结构体，超详细讲解（多维度分析举例，小白一看就懂！！！！！）
目录一.前言二.qsort()函数
多个tensor合并成一个——四个三维tensor合成一个四维tensor——四个[3,512,1024]变成[4,3,512,1024]
仅作为记录,大佬请跳过. 四个[3,512,1024]变成[4,3,512,1024]: --先将[3,512,1024]用torch.unsqueeze(),变成[1,3,512,1024] --用 ...
重磅资源|Pytorch1.0版本的Mask R-CNN的Facebook的官方实现
[导读]Facebook刚刚放出的基于Pytorch1.0版本的Faster R-CNN,Mask R-CNN的benchmark,比detectron更快,准确率更高. 项目地址: https:// ...
python以三维tensor为例详细理解unsqueeze和squeeze函数
python以三维tensor为例理解unsqueeze和squeeze函数一.建立一个二维tensor import torch as t a = t.arange(0,6) b = a.view ...
[spm操作] 什么是mask，如何做mask（未完）
本帖作为 <用Matlab和SPM批量处理被试的经验总结> 的一部分目录贴请见 http://home.52brain.com/forum.ph ... =1&extra=#pi ...
Pytorch中tensor维度和torch.max()函数中dim参数的理解
Pytorch中tensor维度和torch.max()函数中dim参数的理解维度参考了 https://blog.csdn.net/qq_41375609/article/details/106 ...
torch.cat()函数，关于四维tensor维度合并。
引言:看了关于torch.cat函数的文章,有点乱,自己总结一篇,关于四维tensor合并. 一张图像在计算机中的表示通常为三维tensor(张量),即[channels,height,width] ...
pytorch reshape_pytorch常用总结之 tensor维度变换
小白最近刚开始使用pytorch,经常需要在各个网站反复查询一些函数的区别.但是不同的博客说的有时候不一样,趁着实验室停电,小白写了这篇文章,方便自己食用,不定期更新.如有错误,欢迎大家热烈指正. 第 ...
判断用户是否存在再进行新增_基于tableau从商业分析模型角度对业务数据进行多维度分析--【商业分析类】...
基于tableau从商业分析模型角度对业务数据进行多维度分析常规商业数据分析方法: 财务多维指标客户生命周期客户价值RFM 客户留存分析购物篮关联分析漏斗转化ABtest 以下内容主要从商业 ...

三维Tensor维度分析,举例mask[0,:],mask[:,:,0],mask[:,0,:]

三维Tensor维度分析,举例mask[0,:],mask[:,:,0],mask[:,0,:]相关推荐

最新文章

热门文章