如何正确访问三维 Pytorch 张量中的元素？

---

PyTorch 是一个流行的开源机器学习框架，它在 CPU 和 GPU 上都提供了高效的张量运算。在 PyTorch 中，张量是一个多维数组，它是用于存储和操作数据的基本数据结构。

在此背景下，三维张量是一个具有三个维度的张量，它可以表示为一个类似立方体的结构，具有行、列和深度。要访问三维 PyTorch 张量中的元素，您需要知道它的维度以及要访问的元素的索引。

张量的索引使用方括号 ([]) 指定，您可以使用一个或多个以逗号分隔的索引来访问张量中的元素。索引值从 0 开始，最后一个索引值总是小于该维度的大小。

现在我们已经从理论上了解了如何访问三维张量中的元素，让我们来看一些例子。

示例 1

访问三维张量中的特定元素。

考虑以下代码。

import torch

# create a 3D tensor with dimensions 2x3x4
tensor_3d = torch.tensor([
    [[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]],
    [[13, 14, 15, 16], [17, 18, 19, 20], [21, 22, 23, 24]]
])

# access the element at row 1, column 2, and depth 3
element = tensor_3d[1, 2, 3]

# print the element
print(element)

解释

• 我们首先创建一个维度为 2x3x4 的三维张量，并用一些值初始化它。

• 然后我们使用方括号访问第 1 行、第 2 列和深度 3 的元素。

• 最后，我们打印元素的值，它是 20。

输出

20

示例 2

从三维张量中提取子张量

考虑以下代码。

import torch

# create a 3D tensor with dimensions 2x3x4
tensor_3d = torch.tensor([
    [[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]],
    [[13, 14, 15, 16], [17, 18, 19, 20], [21, 22, 23, 24]]
])

# extract a sub-tensor starting at row 0, column 1, and depth 1
sub_tensor = tensor_3d[:, 1:, 1:]

# print the sub-tensor
print(sub_tensor)

解释

• 我们首先创建一个维度为 2x3x4 的三维张量，并用一些值初始化它。

• 然后我们使用切片从第 0 行、第 1 列和深度 1 开始提取子张量。

• 子张量包括从第 0 行到末尾的所有元素、从第 1 列到末尾的所有元素以及从深度 1 到末尾的所有元素。

• 最后，我们打印子张量，其中包含值 6、7、8、10、11、12、18、19、20、22、23 和 24。

输出

tensor([[[ 6,  7,  8],
         [10, 11, 12]],

        [[18, 19, 20],
         [22, 23, 24]]])

示例 3

使用布尔掩码访问三维张量中的特定元素

考虑以下代码。

import torch

# create a 3D tensor with dimensions 2x3x4
tensor_3d = torch.tensor([
    [[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]],
    [[13, 14, 15, 16], [17, 18, 19, 20], [21, 22, 23, 24]]
])

# create a boolean mask with the same dimensions as the tensor
mask = tensor_3d % 2 == 0

# use the mask to access specific elements in the tensor
even_elements = tensor_3d[mask]

# print the even elements
print(even_elements)

解释

• 我们首先创建一个维度为 2x3x4 的三维张量，并用一些值初始化它。

• 然后我们创建一个与张量维度相同的布尔掩码，如果张量中对应的元素为偶数，则值为 True，否则为 False。

• 我们使用掩码通过将掩码作为索引传递给张量来访问张量中的特定元素。这将返回一个包含张量中所有偶数元素的一维张量。

• 最后，我们打印偶数元素，它们是 2、4、6、8、10、12、14、16、18、20、22 和 24。

输出

tensor([ 2,  4,  6,  8, 10, 12, 14, 16, 18, 20, 22, 24])

结论

总之，访问三维 PyTorch 张量中的元素是在 PyTorch 中处理多维数据的重要技能。在本文中，我们学习了如何使用索引和切片访问三维张量中的特定元素，以及如何使用布尔掩码根据条件选择特定元素。在尝试访问元素之前，了解张量的形状和要访问的元素的位置非常重要。