机器学习与深度学习 / 系统课时
索引与切片
索引与切片
本课解决“如何从张量中精确取出一部分数据并安全修改”的问题。你将使用位置索引、范围切片、布尔条件和成对索引,理解不同写法返回的数据形状及修改行为。
学习目标
- 使用基础索引和切片提取行、列及子区域
- 使用布尔掩码按条件筛选或修改元素
- 使用高级索引一次访问多个离散位置,并避开链式索引陷阱
基础索引与切片
张量索引从 0 开始,各维之间使用逗号分隔。单个整数会选中某一位置并消去对应维度,切片 start:stop:step 则保留该维度,其中 stop 不包含在结果内。
下面以一个 张量演示常见读取方式:
python
import torch
x = torch.arange(1, 13).reshape(3, 4)
print("single:", x[1, 2])
print("row:", x[0])
print("columns:")
print(x[:, 1:3])
print("strided:")
print(x[::2, ::2])预期输出:
text
single: tensor(7)
row: tensor([1, 2, 3, 4])
columns:
tensor([[ 2, 3],
[ 6, 7],
[10, 11]])
strided:
tensor([[ 1, 3],
[ 9, 11]])x[1, 2] 选择第 2 行第 3 列,结果是零维张量;x[:, 1:3] 保留全部行,只选择索引 1 和 2 两列;步长为 2 时会隔一个元素取一次。
布尔掩码与高级索引
布尔掩码的形状应与被筛选区域兼容,值为 True 的位置会被选中。高级索引则可以用整数张量指定多个离散坐标。
python
import torch
x = torch.arange(1, 13).reshape(3, 4)
mask = x > 8
print("masked:", x[mask])
rows = torch.tensor([0, 2])
cols = torch.tensor([1, 3])
print("paired:", x[rows, cols])
updated = x.clone()
updated[updated % 2 == 0] = -1
print("updated:")
print(updated)预期输出:
text
masked: tensor([ 9, 10, 11, 12])
paired: tensor([ 2, 12])
updated:
tensor([[ 1, -1, 3, -1],
[ 5, -1, 7, -1],
[ 9, -1, 11, -1]])x[rows, cols] 按位置成对读取 (0, 1) 和 (2, 3),不是先取两行再取两列。若要得到行列组合形成的子矩阵,可使用 x[rows][:, cols],但读取后是否与原张量共享存储不能一概而论。
修改数据时的边界
基础切片通常返回视图,修改切片可能同步影响原张量;布尔索引和高级索引用于读取时通常返回副本。为了避免意外覆盖,示例先调用 clone() 再修改。
需要直接更新原张量时,应把索引写在一次赋值中,例如 x[mask] = 0。不要写成 x[mask][0] = 0,因为第一次索引可能已经生成临时张量,后续赋值不一定作用于原数据。
按自己的节奏,确认真正理解。