机器学习与深度学习 / 系统课时

执行索引与切片

执行索引与切片

索引、切片和布尔掩码用于从张量中精确取出需要的数据。本课用一个二维张量演示单元素访问、保留维度的切片、条件筛选,并说明哪些操作会降维、哪些结果仍与原张量共享存储。

学习目标

  • 使用整数索引、负索引和切片提取指定位置或区域。
  • 使用布尔掩码按条件筛选元素。
  • 区分会降维的整数索引与保留维度的切片,并避开视图修改原数据的问题。

用整数索引定位元素

PyTorch 按从 0 开始的下标访问张量。对形状为 (3, 4) 的张量,x[1, 2] 表示第 2 行第 3 列;负索引从末尾反向计数,例如 x[-1, -1] 访问右下角元素。

整数索引会消掉被索引的维度:x[1] 的形状是 (4,),而不是 (1, 4)。如果后续层要求保留批次维,应使用 x[1:2]。

用切片提取连续区域

切片遵循 start:stop:step,其中 stop 不包含在结果中。x[0:2, 1:3] 会取第 0~1 行和第 1~2 列,结果形状为 (2, 2);x[:, ::2] 则保留全部行,每隔一列取一次。

下面的示例同时覆盖整数索引、切片和布尔掩码:

python
import torch

x = torch.arange(1, 13).reshape(3, 4)

print('x =')
print(x)
print('x[1, 2] =', x[1, 2].item())
print('slice =')
print(x[0:2, 1:3])

mask = x % 2 == 0
print('even =', x[mask])

预期输出

text
x =
tensor([[ 1,  2,  3,  4],
        [ 5,  6,  7,  8],
        [ 9, 10, 11, 12]])
x[1, 2] = 7
slice =
tensor([[2, 3],
        [6, 7]])
even = tensor([ 2,  4,  6,  8, 10, 12])

用布尔掩码按条件筛选

表达式 x % 2 == 0 会生成与 x 同形状的 torch.bool 张量。把它写成 x[mask] 后,只返回掩码为 True 的元素;对于二维输入,结果会按元素顺序收集成一维张量。

如果要筛选整行,应让掩码对应行维度。例如 x[x[:, 0] > 4] 会保留首列大于 4 的行,得到原张量的后两行。条件筛选比手写 Python 循环更直接,也能保持运算在张量层执行。

识别切片视图与高级索引副本

基本切片通常返回原张量的视图,因此修改切片可能同步修改原数据。比如 part = x[:, 1:3] 后执行 part[0, 0] = 99,对应的 x[0, 1] 也会变成 99。需要独立数据时,显式使用 part = x[:, 1:3].clone()。

布尔索引属于高级索引,返回独立结果;修改 selected = x[x > 8] 不会回写到 x。实际项目中可用一个简单判断:连续区域优先切片,条件选取使用掩码,需要隔离修改时再 clone()。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

执行索引与切片

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通