当前位置：首页 > news >正文

网站数据怎么做论文注释网站软文是什么

news 2025/7/14 19:21:45

网站数据怎么做论文注释,网站软文是什么,系统安装wordpress,福州网站制作怎样关于 Pytorch ，我之前分享过很多篇，喜欢的可以收藏、关注、点赞。这一次，我准备了 20节 PyTorch 中文课程小白学 PyTorch 系列：54个超强 pytorch 操作9个技巧让你的 PyTorch 模型训练飞快！Keras 3.0发布：…

关于 Pytorch ，我之前分享过很多篇，喜欢的可以收藏、关注、点赞。

这一次，我准备了 20节 PyTorch 中文课程
小白学 PyTorch 系列：54个超强 pytorch 操作
9个技巧让你的 PyTorch 模型训练飞快！
Keras 3.0发布：全面拥抱 PyTorch
PyTorch 进阶指南，10个必须知道的原则

至于为什么今年这么重视 Pytorch ，熟悉大模型、算法的小伙伴都应该知道。大部分的大模型开发语言都是Pytorch。废话不多说。转入正题。

在某些情况下，你可能需要使用 PyTorch 进行一些高级的索引和选择操作，例如回答这样的问题：“如何根据张量B中指定的索引来从张量A中选择元素？”

在本文中，我们将介绍三种最常见的用于此类任务的方法，即torch.index_select、torch.gather和torch.take。我们将详细解释它们，并对它们进行对比。

技术交流

技术要学会交流、分享，不建议闭门造车。独学而无有友，则孤陋而寡闻

好的文章离不开朋友的分享、推荐，记得点赞支持一下。资料干货、技术答疑、数据&源码，均可加交流群获取，群友已超过2000人，添加时最好的备注方式为：来源+兴趣方向，方便找到志同道合的朋友。

方式①、微信搜索公众号：Python学习与数据挖掘，后台回复：交流
方式②、添加微信号：dkl88194，备注：交流

torch.index_select

torch.index_select沿着一个维度选择元素，同时保持其他维度不变。也就是说：保留所有其他维度的所有元素，但是按照索引张量从目标维度中选择元素。让我们用一个2D示例来演示，在该示例中我们沿着维度1进行选择：

num_picks = 2values = torch.rand((len_dim_0, len_dim_1))
indices = torch.randint(0, len_dim_1, size=(num_picks,))
# [len_dim_0, num_picks]
picked = torch.index_select(values, 1, indices)

结果张量的形状为[len_dim_0, num_picks]：沿着维度0的每个元素，我们从维度1中选择了相同的元素。让我们将其可视化：

现在我们转向三维空间。为此，我们更贴近机器学习/数据科学的世界，想象一个形状为[batch_size, num_elements, num_features]的张量：因此，我们有num_elements个元素，每个元素具有num_feature个特征，并且所有内容都被批处理了。使用torch.index_select，我们可以为每个批次/特征组合选择相同的元素：

import torchbatch_size = 16
num_elements = 64
num_features = 1024
num_picks = 2values = torch.rand((batch_size, num_elements, num_features))
indices = torch.randint(0, num_elements, size=(num_picks,))
# [batch_size, num_picks, num_features]
picked = torch.index_select(values, 1, indices)

有些人可能希望以代码形式了解index_select的作用 — 因此，这是一个使用简单的for循环重新实现此函数的方法：

picked_manual = torch.zeros_like(picked)
for i in range(batch_size):for j in range(num_picks):for k in range(num_features):picked_manual[i, j, k] = values[i, indices[j], k]assert torch.all(torch.eq(picked, picked_manual))

torch.gather

接下来，我们转向torch.gather。gather的行为与index_select类似，但现在所需维度中的元素选择取决于其他维度 — 即，重新使用我们的ML示例：对于每个批次索引和每个特征，我们可以从“元素”维度中选择不同的元素 — 我们根据另一个张量的索引选择元素。

当我在进行ML项目时，我经常遇到这种用例，一个具体的例子是基于某些条件从树中选择节点，并且每个节点由一些特征指定：然后我们生成一个索引选择矩阵，将要选择的元素放在批次维度中，并沿着特征维度重复这些值。即：对于每个批次索引，我们可以根据某些条件选择不同的元素 — 在我们的示例中，这个条件仅取决于批次索引 — 尽管它也可能取决于特征索引。

但首先，让我们再次从一个2D示例开始：

num_picks = 2values = torch.rand((len_dim_0, len_dim_1))
indices = torch.randint(0, len_dim_1, size=(len_dim_0, num_picks))
# [len_dim_0, num_picks]
picked = torch.gather(values, 1, indices)

当可视化时，我们会观察到，选择现在不再由直线特征化，而是对于维度0中的每个索引，在维度1中选择不同的元素：

好的，现在让我们转向三维，并展示重新实现这个选择的Python代码：

import torchbatch_size = 16
num_elements = 64
num_features = 1024
num_picks = 5
values = torch.rand((batch_size, num_elements, num_features))
indices = torch.randint(0, num_elements, size=(batch_size, num_picks, num_features))
picked = torch.gather(values, 1, indices)picked_manual = torch.zeros_like(picked)
for i in range(batch_size):for j in range(num_picks):for k in range(num_features):picked_manual[i, j, k] = values[i, indices[i, j, k], k]assert torch.all(torch.eq(picked, picked_manual))

torch.take

torch.take可能是介绍的这三个函数中最容易理解的：它基本上将输入张量视为被展平的，然后从这个列表中选择元素。例如：当将take应用于形状为[4, 5]的输入张量，并选择索引6和19时，我们将获得展平张量的第6个和第19个元素 — 也就是说，来自第2行的第2个元素和最后一个元素。

2D示例：

num_picks = 2values = torch.rand((len_dim_0, len_dim_1))
indices = torch.randint(0, len_dim_0 * len_dim_1, size=(num_picks,))
# [num_picks]
picked = torch.take(values, indices)

正如我们所见，现在我们只得到了两个元素。

以下是带有随后重新实现的3D选择。请注意，索引张量现在可以具有任意形状，并且结果选择也是按照此形状给出的：

import torchbatch_size = 16
num_elements = 64
num_features = 1024
num_picks = (2, 5, 3)values = torch.rand((batch_size, num_elements, num_features))
indices = torch.randint(0, batch_size * num_elements * num_features, size=num_picks)
# [2, 5, 3]
picked = torch.take(values, indices)picked_manual = torch.zeros(num_picks)
for i in range(num_picks[0]):for j in range(num_picks[1]):for k in range(num_picks[2]):picked_manual[i, j, k] = values.flatten()[indices[i, j, k]]assert torch.all(torch.eq(picked, picked_manual))