不知道為什麼知乎的程式碼塊不能對markdown的程式碼塊渲染，和客服提了需求也不知道啥時候能加上

吐槽吐完了，進入正題。在看開原始碼的時候，經常會遇到pytorch的各種各樣的高階（奇怪）操作，每次去百度太浪費時間，還不一定能看懂，而且有的部落格給的例子不太合適。所以在理解後整理成筆記也方便以後複習使用。各位如果發現哪裡不對，也請嚴厲指出，感激不盡。

index_select

index_select（tensor， dim， index）

對於tensor物件的第dim維度進行索引，在該維度上取index

例如，張量a是shape為

的四張三通道影象

# 選擇第一張和第三張圖

print（a。index_select（0， torch。tensor（［0， 2］））。shape）

# 選擇R通道和B通道

print（a。index_select（1， torch。tensor（［0， 2］））。shape）

mask_select

透過mask選取，返回一個一維張量

x = torch。randn（3， 4）

x

1。2045 2。4084 0。4001 1。1372

0。5596 1。5677 0。6219 -0。7954

1。3635 -1。2313 -0。5414 -1。8478

［torch。FloatTensor of size 3x4］

mask = x。ge（0。5）

mask

1 1 0 1

1 1 1 0

1 0 0 0

［torch。ByteTensor of size 3x4］

torch。masked_select（x， mask）

1。2045

2。4084

1。1372

0。5596

1。5677

0。6219

1。3635

［torch。FloatTensor of size 7］

non_zero

索引出張量中不為零的位置

>>> torch。nonzero（torch。Tensor（［［0。6， 0。0， 0。0， 0。0］，

。。。 ［0。0， 0。4， 0。0， 0。0］，

。。。 ［0。0， 0。0， 1。2， 0。0］，

。。。 ［0。0， 0。0， 0。0，-0。4］］））

0 0

1 1

2 2

3 3

［torch。LongTensor of size 4x2］

gather

t = torch。Tensor（［［1，2，3］，［4，5，6］］）

index_a = torch。LongTensor（［［0，0，2］，［0，1，0］］）

index_b = torch。LongTensor（［［0，1，1］，［1，0，0］］）

>>t

tensor（［［1。， 2。， 3。］，

［4。， 5。， 6。］］）

>>> index_a

tensor（［［0， 0， 2］，

［0， 1， 0］］）

>>> index_b

tensor（［［0， 1， 1］，

［1， 0， 0］］）

>>> torch。gather（t，dim=1，index=index_a）

tensor（［［1。， 1。， 3。］，

［4。， 5。， 4。］］）

>>> torch。gather（t，dim=0，index=index_b））

tensor（［［1。， 5。， 6。］，

［4。， 2。， 3。］］）

dim=1時，索引為列，等價於

concat（［t［0， ［0，0，2］］， t［1， ［0，1，0］］］， axis=0）

dim=0時，索引為行，等價於

concat（［t［［0，1］， 0］， t［［1，0］， 1］， t［［1，0］， 2］， axis=1）

scatter

>>> x = torch。rand（2， 5）

>>> x

0。4319 0。6500 0。4080 0。8760 0。2355

0。2609 0。4711 0。8486 0。8573 0。1029

［torch。FloatTensor of size 2x5］

>>> torch。zeros（3， 5）。scatter_（

0， torch。LongTensor（［［0， 1， 2， 0， 0］，

［2， 0， 0， 1， 2］］）， x）

0。4319 0。4711 0。8486 0。8760 0。2355

0。0000 0。6500 0。0000 0。8573 0。0000

0。2609 0。0000 0。4080 0。0000 0。1029

［torch。FloatTensor of size 3x5］

dim=0， x第一行，分別插入到結果的第［0，1，2，0，0］行中，

如x中的0。4080應插入到結果的第2列第2行（從0開始）。

repeat

>> x = torch。tensor（［1， 2， 3］）

>> x。repeat（3， 2）

tensor（［［1， 2， 3， 1， 2， 3］，

［1， 2， 3， 1， 2， 3］，

［1， 2， 3， 1， 2， 3］］）

unbind

刪除指定維度，返回元組形式

>>> x = torch。randn（3， 3）

>>> x

tensor（［［ 0。4775， 0。0161， -0。9403］，

［ 1。6109， 2。1144， 1。1833］，

［-0。2656， 0。7772， 0。5989］］）

>>> torch。unbind（x， dim=1）

（tensor（［ 0。4775， 1。6109， -0。2656］），

tensor（［0。0161， 2。1144， 0。7772］），

tensor（［-0。9403， 1。1833， 0。5989］））

narrow

tensor。narrow（dim， start， num）

對dim維進行索引，從第start個開始取，取num個

data=torch。tensor（［［1，2］，［3，4］，［5，6］］）

#tensor（［［1， 2］，

［3， 4］，

［5， 6］］）

In ［46］： data。narrow（1，1，1）

Out［46］：

tensor（［［2］，

［4］，

［6］］）

文章持續更新