7 张量的索引与切片

在上一篇中，我们介绍了张量的基本操作，如张量的创建、数据类型和一些常用的操作。如今，我们将深入探讨张量的索引与切片，这将帮助我们更灵活地处理数据。掌握这一部分的知识，可以为后续学习自动求导奠定坚实的基础。

张量的索引

在PyTorch中，张量的索引与NumPy基本相似。你可以使用[]来访问张量中的元素。以下是一些常见的索引方法。

1. 一维张量的索引

首先，我们创建一个一维张量：

import torch

# 创建一维张量
tensor1d = torch.tensor([10, 20, 30, 40, 50])
print(tensor1d)  # 输出: tensor([10, 20, 30, 40, 50])

我们可以通过索引访问单个元素：

# 访问第一个元素（索引0）
print(tensor1d[0])  # 输出: tensor(10)

2. 二维张量的索引

接下来，我们创建一个二维张量：

# 创建二维张量
tensor2d = torch.tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(tensor2d)
# 输出:
# tensor([[1, 2, 3],
#         [4, 5, 6],
#         [7, 8, 9]])

在二维张量中，我们可以通过行和列的索引来访问元素：

# 访问第二行第三列的元素
print(tensor2d[1, 2])  # 输出: tensor(6)

3. 使用切片访问部分元素

我们可以通过切片访问张量的一部分。例如，获取一维张量的前两个元素：

# 切片获取前两个元素
print(tensor1d[0:2])  # 输出: tensor([10, 20])

对于二维张量，我们可以通过切片获取特定的行或列：

# 获取前两行
print(tensor2d[0:2])  
# 输出:
# tensor([[1, 2, 3],
#         [4, 5, 6]])

# 获取第二列
print(tensor2d[:, 1])  # 输出: tensor([2, 5, 8])

张量的高级索引

1. 布尔索引

布尔索引允许基于条件选择元素。例如，我们想选择大于30的所有元素：

# 创建一维张量
tensor1d = torch.tensor([10, 20, 30, 40, 50])

# 使用布尔索引
result = tensor1d[tensor1d > 30]
print(result)  # 输出: tensor([40, 50])

2. 花式索引

花式索引允许我们通过指定索引列表来选择元素。例如，选择特定位置的元素：

# 花式索引
indices = torch.tensor([0, 2, 4])
result = tensor1d[indices]
print(result)  # 输出: tensor([10, 30, 50])

切片与视图

切片操作返回的是张量的一个“视图”，这意味着对视图进行修改会影响原始张量。例如：

# 创建二维张量
tensor2d = torch.tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
slice_tensor = tensor2d[0:2]  # 切片

# 修改切片
slice_tensor[0, 0] = 100

print(tensor2d)
# 输出:
# tensor([[100,  2,  3],
#         [  4,  5,  6],
#         [  7,  8,  9]])

如上所示，对slice_tensor的修改影响了tensor2d，因为它们共享相同的存储空间。

总结

本节中，我们学习了张量的索引和切片的基本用法，掌握了如何通过索引访问和操作张量中的数据。通过以上代码示例和案例分析，相信你已对这一内容有了较为深入的理解。

在下一篇教程中，我们将介绍自动求导的基本概念，它将为我们在深度学习中进行反向传播打下基础。希望你继续保持学习热情，为进入更复杂的深度学习领域做好准备！