null - 程序员宅基地

LibTorch对tensor的索引/切片/掩码操作：对比PyTorch_libtorch 切片-程序员宅基地

技术标签： Pytorch c++ python LibTorch/模型部署 pytorch

在PyTorch C++ API（libtorch）中对张量进行索引的方式与Python API的方式很相似。诸如None / ... / integer / boolean / slice / tensor的索引类型在C++ API里同样有效，这样就可以很方便的实现Python代码与C++代码的转换。主要的不同是将Python API里对张量的“[ ]”操作符转换成了以下形式：

torch::Tensor::index ( )    // 获取值

torch::Tensor::index_put_ ( )   // 设置值

有关官方文档请看这里。但是官方文档只简单地给了转换方式，没有具体例子有时还不太好理解。下面通过举例说明libtorch与pytorch中的向量索引/切片的方式，左边为Python方式，右边为C++方式：

一、通过索引获取值

1、tensor[Ellipsis, ...] --> tensor.index({Ellipsis, "..."})

import torch

a = torch.linspace(1,27,27).reshape(3, 3, 3)
print(a)
c = a[..., 2]
print(c)

#===================运行结果===============#
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.],
         [25., 26., 27.]]])
tensor([[ 3.,  6.,  9.],
        [12., 15., 18.],
        [21., 24., 27.]])

#include "iostream"
#include "torch/script.h"
int main()
{
    torch::Tensor a = torch::linspace(1, 27, 27).reshape({3, 3, 3});
    std::cout << a << std::endl;
    at::Tensor b = a.index({"...", 2});
    std::cout << b << std::endl;

    return 0;
}

/****************输出结果******************/
(1,.,.) = 
  1  2  3
  4  5  6
  7  8  9

(2,.,.) = 
  10  11  12
  13  14  15
  16  17  18

(3,.,.) = 
  19  20  21
  22  23  24
  25  26  27
[ CPUFloatType{3,3,3} ]
  3   6   9
 12  15  18
 21  24  27
[ CPUFloatType{3,3} ]

2、tensor[1, 2] --> tensor.index({1, 2})

import torch

a = torch.linspace(1,27,27).reshape(3, 3, 3)
print(a)
c = a[1, 2]
print(c)

#===================运行结果=================#
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.],
         [25., 26., 27.]]])
tensor([16., 17., 18.])

#include "iostream"
#include "torch/script.h"

int main()
{
    torch::Tensor a = torch::linspace(1, 27, 27).reshape({3, 3, 3});
    std::cout << a << std::endl;
    at::Tensor b = a.index({1, 2});
    std::cout << b << std::endl;

    return 0;
}
/*****************运行结果***************/
(1,.,.) = 
  1  2  3
  4  5  6
  7  8  9

(2,.,.) = 
  10  11  12
  13  14  15
  16  17  18

(3,.,.) = 
  19  20  21
  22  23  24
  25  26  27
[ CPUFloatType{3,3,3} ]
 16
 17
 18
[ CPUFloatType{3} ]

3、tensor[1::2] --> tensor.index({Slice(1, None, 2)})

import torch

a = torch.linspace(1, 6, 6)
print(a)
c = a[1::2]
print(c)
#==================运行结果==================#
tensor([1., 2., 3., 4., 5., 6.])
tensor([2., 4., 6.])

#include "iostream"
#include "torch/script.h"
using namespace torch::indexing;
int main()
{
    torch::Tensor a = torch::linspace(1, 6, 6);
    std::cout << a << std::endl;
    at::Tensor b = a.index({Slice(1, None, 2)});
    std::cout << b << std::endl;

    return 0;
}
/*******************运行结果*********************/
 1
 2
 3
 4
 5
 6
[ CPUFloatType{6} ]
 2
 4
 6
[ CPUFloatType{3} ]

3.33、tensor[..., 1:] --> tensor.index({"...", Slice(1)})

import torch

a = torch.linspace(1,27,27).reshape(3, 3, 3)
b = a[..., 1:]
print(b)
#===============运行结果===================#
tensor([[[ 2.,  3.],
         [ 5.,  6.],
         [ 8.,  9.]],

        [[11., 12.],
         [14., 15.],
         [17., 18.]],

        [[20., 21.],
         [23., 24.],
         [26., 27.]]])

#include "iostream"
#include "torch/script.h"
using namespace torch::indexing;
int main()
{
    torch::Tensor a = torch::linspace(1, 27, 27).reshape({3, 3, 3});
    torch::Tensor b = a.index({"...", Slice(1)});
    std::cout << b << std::endl;

    return 0;
}
/******************运行结果**********************/
(1,.,.) = 
  2  3
  5  6
  8  9

(2,.,.) = 
  11  12
  14  15
  17  18

(3,.,.) = 
  20  21
  23  24
  26  27
[ CPUFloatType{3,3,2} ]

3.66、tensor[..., :2] --> tensor.index({"...", Slice({None, 2})})

#include "iostream"
#include "torch/script.h"
using namespace torch::indexing;
int main()
{
    float a[2][3][3] = {
   {
   {1,2,2},{3,4,4},{5,6,6}},{
   {1,2,2},{3,4,4},{5,6,6}}};
    at::Tensor b = at::from_blob(a, {2, 3, 3}, at::kFloat);
    at::Tensor c = b.index({"...", Slice({None, 2})});  // 留下最后一维的前两列，相当于Python中的b[..., :2]
    auto d = c.sizes();
    std::cout << b << std::endl;
    std::cout << c << std::endl;
    std::cout << d << std::endl;

    return 0;
}
/********************运行结果********************/
(1,.,.) = 
  1  2  2
  3  4  4
  5  6  6

(2,.,.) = 
  1  2  2
  3  4  4
  5  6  6
[ CPUFloatType{2,3,3} ]
(1,.,.) = 
  1  2
  3  4
  5  6

(2,.,.) = 
  1  2
  3  4
  5  6
[ CPUFloatType{2,3,2} ]
[2, 3, 2]

4、tensor[torch.tensor([1, 2])] --> tensor.index({torch::tensor({1, 2})})

import torch

a = torch.linspace(1,4,4)
b = torch.tensor([0, 1, 3, 2])
c = a[b]
print(a)
print(c)
#===============运行结果===============#
tensor([1., 2., 3., 4.])
tensor([1., 2., 4., 3.])

#include "iostream"
#include "torch/script.h"
using namespace torch::indexing;
int main()
{
    torch::Tensor a = torch::linspace(1, 4, 4);
    torch::Tensor b = torch::tensor({0, 1, 3, 2});
    torch::Tensor c = a.index({b});
    std::cout << a << std::endl;
    std::cout << b << std::endl;

    return 0;
}
/*******************运行结果********************/
 1
 2
 3
 4
[ CPUFloatType{4} ]
 0
 1
 3
 2
[ CPULongType{4} ]

二、通过索引设置值

1、tensor[1, 2] = 1 --> tensor.index_put_({1, 2}, 1)

import torch

a = torch.linspace(1,4,4).reshape(2, 2)
print(a)
a[1, 1] = 100
print(a)
#==================运行结果=====================#
tensor([[1., 2.],
        [3., 4.]])
tensor([[  1.,   2.],
        [  3., 100.]])

#include "iostream"
#include "torch/script.h"
using namespace torch::indexing;
int main()
{
    torch::Tensor a = torch::linspace(1, 4, 4).reshape({2, 2});
    std::cout << a << std::endl;
    a.index_put_({1, 1}, 100);
    std::cout << a << std::endl;

    return 0;
}
/***************运行结果****************/
 1  2
 3  4
[ CPUFloatType{2,2} ]
   1    2
   3  100
[ CPUFloatType{2,2} ]

2、tensor[Ellipsis, ...] = 1 --> tensor.index_put_({Ellipsis, "..."}, 1)

import torch

a = torch.linspace(1,4,4).reshape(2, 2)
print(a)
a[..., 1] = 100
print(a)
#====================运行结果=====================#
tensor([[1., 2.],
        [3., 4.]])
tensor([[  1., 100.],
        [  3., 100.]])

#include "iostream"
#include "torch/script.h"
using namespace torch::indexing;
int main()
{
    torch::Tensor a = torch::linspace(1, 4, 4).reshape({2, 2});
    std::cout << a << std::endl;
    a.index_put_({"...", 1}, 100);
    std::cout << a << std::endl;

    return 0;
}
/***************运行结果****************/
 1  2
 3  4
[ CPUFloatType{2,2} ]
   1  100
   3  100
[ CPUFloatType{2,2} ]

3、tensor[torch.tensor([1, 2])] = 1 --> tensor.index_put_({torch::tensor({1, 2})}, 1)

import torch

a = torch.linspace(1,4,4)
b = torch.tensor([0, 2])
print(a)
a[b] = 100
print(a)
#===============运行结果==================#
tensor([1., 2., 3., 4.])
tensor([100.,   2., 100.,   4.])

#include "iostream"
#include "torch/script.h"
using namespace torch::indexing;
int main()
{
    torch::Tensor a = torch::linspace(1, 4, 4);
    torch::Tensor b = torch::tensor({0, 2});
    std::cout << a << std::endl;
    a.index_put_({b}, 100);
    std::cout << a << std::endl;

    return 0;
}
/*****************运行结果*****************/
 1
 2
 3
 4
[ CPUFloatType{4} ]
 100
   2
 100
   4
[ CPUFloatType{4} ]

三、掩码操作

按理说这部分也算索引的一部分，为什么要拿出来单独说呐？因为他比较特殊。首先看下例子吧。

在PyTorch中，我们使用Python的切片方式可以方便地通过掩码向量或矩阵来获取想要的tensor区域，比如以下操作：

import torch

a = torch.randint(0, 9,(4,4))          # 创建shape为4*4，值为[0,9]的随机整数的tensor
b = torch.tensor([0, 1, 0, 1]).bool()  # 创建bool值向量，最终的结果是对应行向量的取舍
c = torch.tensor([0, 1, 0, 1])         # 注意这里不是bool值,最终的结果只是按行索引
a1 = a[b]  # 掩码操作
a2 = a[c]  # 索引操作
print('a:', a)
print('b:', b)
print('c:', c)
print('a1:', a1)
print('a2:', a2)

#=================运行结果===================#
a: tensor([[8, 0, 4, 8],
           [5, 7, 7, 3],
           [0, 5, 8, 1],
           [3, 3, 2, 1]])
b: tensor([False,  True, False,  True])
c: tensor([0, 1, 0, 1])
a1: tensor([[5, 7, 7, 3],
            [3, 3, 2, 1]])
a2: tensor([[8, 0, 4, 8],
            [5, 7, 7, 3],
            [8, 0, 4, 8],
            [5, 7, 7, 3]])

在PyThon的C++API即LibTorch中，也有类似的操作，举例如下：

#include "iostream"
#include "ATen/Parallel.h"
#include "torch/script.h"
#include <c10/core/ScalarType.h>
using namespace torch::indexing;
int main()
{
    torch::Tensor a = torch::randint(0, 9, {4,4});   // 初始化
    torch::Tensor b = at::tensor({0,1,0,1}).toType(at::kBool);  // bool型掩码向量，注意与非bool型的结果区别
    torch::Tensor c = at::tensor({0,1,0,1}).toType(at::kLong);  // 非bool型按行索引(这里的索引用tensor必须是long, byte or bool类型的)
    torch::Tensor a1 = a.index({b});  // 掩码操作
    torch::Tensor a2 = a.index({c});  // 按行索引
    std::cout << a << std::endl;
    std::cout << b << std::endl;
    std::cout << c << std::endl;
    std::cout << a1 << std::endl;
    std::cout << a2 << std::endl;

    return 0;
}

//==================运行结果====================//
 7  5  8  0
 1  0  1  2
 0  6  6  3
 2  1  5  3
[ CPUFloatType{4,4} ]
 0
 1
 0
 1
[ CPUBoolType{4} ]
 0
 1
 0
 1
[ CPULongType{4} ]
 1  0  1  2
 2  1  5  3
[ CPUFloatType{2,4} ]
 7  5  8  0
 1  0  1  2
 7  5  8  0
 1  0  1  2
[ CPUFloatType{4,4} ]

所以一定要注意0和1在bool型与非bool型情况下对索引结果的影响！

另外，LibTorch还有一个masked_select()方法，该方法是按照对应位置上的掩码值(bool值)来抽取值，先看定义：

inline Tensor Tensor::masked_select(const Tensor & mask)

其中mask必须是与要操作的tensor同shape或拥有相同数量元素的tensor，不满足条件就会自动复制补全，直至与目标tensor具有相同数量的元素。

举例如下：

#include "iostream"
#include "torch/script.h"
#include <c10/core/ScalarType.h>

using namespace torch::indexing;
int main()
{
    torch::Tensor a = torch::randint(0, 9, {4,4});   // 初始化
    torch::Tensor b = a > 5;   // 获取满足条件的bool矩阵
    torch::Tensor c = a.masked_select({b});  // 按照bool矩阵来取舍对应的值
    std::cout << a << std::endl;
    std::cout << b << std::endl;
    std::cout << c << std::endl;

    return 0;
}
//====================运行结果=======================//
 5  2  8  8
 1  0  3  0
 2  2  4  4
 8  4  7  5
[ CPUFloatType{4,4} ]
 0  0  1  1
 0  0  0  0
 0  0  0  0
 1  0  1  0
[ CPUBoolType{4,4} ]
 8
 8
 8
 7
[ CPUFloatType{4} ]

注：这里当时测试用的具体libtorch版本记不清了，不同版本间的操作可能会有差异

本文链接：https://blog.csdn.net/Flag_ing/article/details/109628297

原作者删帖不实内容删帖广告或垃圾文章投诉

智能推荐

oracle 12c 集群安装后的检查_12c查看crs状态-程序员宅基地

文章浏览阅读1.6k次。安装配置gi、安装数据库软件、dbca建库见下：http://blog.csdn.net/kadwf123/article/details/784299611、检查集群节点及状态：[root@rac2 ~]# olsnodes -srac1 Activerac2 Activerac3 Activerac4 Active[root@rac2 ~]_12c查看crs状态

解决jupyter notebook无法找到虚拟环境的问题_jupyter没有pytorch环境-程序员宅基地

文章浏览阅读1.3w次，点赞45次，收藏99次。我个人用的是anaconda3的一个python集成环境，自带jupyter notebook，但在我打开jupyter notebook界面后，却找不到对应的虚拟环境，原来是jupyter notebook只是通用于下载anaconda时自带的环境，其他环境要想使用必须手动下载一些库：1.首先进入到自己创建的虚拟环境(pytorch是虚拟环境的名字)activate pytorch2.在该环境下下载这个库conda install ipykernelconda install nb__jupyter没有pytorch环境

国内安装scoop的保姆教程_scoop-cn-程序员宅基地

文章浏览阅读5.2k次，点赞19次，收藏28次。选择scoop纯属意外，也是无奈，因为电脑用户被锁了管理员权限，所有exe安装程序都无法安装，只可以用绿色软件，最后被我发现scoop，省去了到处下载XXX绿色版的烦恼，当然scoop里需要管理员权限的软件也跟我无缘了（譬如everything）。推荐添加dorado这个bucket镜像，里面很多中文软件，但是部分国外的软件下载地址在github，可能无法下载。以上两个是官方bucket的国内镜像，所有软件建议优先从这里下载。上面可以看到很多bucket以及软件数。如果官网登陆不了可以试一下以下方式。_scoop-cn

Element ui colorpicker在Vue中的使用_vue el-color-picker-程序员宅基地

文章浏览阅读4.5k次，点赞2次，收藏3次。首先要有一个color-picker组件 <el-color-picker v-model="headcolor"></el-color-picker>在data里面data() { return {headcolor: ’ #278add ’ //这里可以选择一个默认的颜色} }然后在你想要改变颜色的地方用v-bind绑定就好了，例如：这里的:sty..._vue el-color-picker

迅为iTOP-4412精英版之烧写内核移植后的镜像_exynos 4412 刷机-程序员宅基地

文章浏览阅读640次。基于芯片日益增长的问题，所以内核开发者们引入了新的方法，就是在内核中只保留函数，而数据则不包含，由用户（应用程序员）自己把数据按照规定的格式编写，并放在约定的地方，为了不占用过多的内存，还要求数据以根精简的方式编写。boot启动时，传参给内核，告诉内核设备树文件和kernel的位置，内核启动时根据地址去找到设备树文件，再利用专用的编译器去反编译dtb文件，将dtb还原成数据结构，以供驱动的函数去调用。firmware是三星的一个固件的设备信息，因为找不到固件，所以内核启动不成功。_exynos 4412 刷机

Linux系统配置jdk_linux配置jdk-程序员宅基地

文章浏览阅读2w次，点赞24次，收藏42次。Linux系统配置jdkLinux学习教程，Linux入门教程（超详细）_linux配置jdk

随便推点

matlab(4)：特殊符号的输入_matlab微米怎么输入-程序员宅基地

文章浏览阅读3.3k次，点赞5次，收藏19次。xlabel('\delta');ylabel('AUC');具体符号的对照表参照下图：_matlab微米怎么输入

C语言程序设计-文件(打开与关闭、顺序、二进制读写)-程序员宅基地

文章浏览阅读119次。顺序读写指的是按照文件中数据的顺序进行读取或写入。对于文本文件，可以使用fgets、fputs、fscanf、fprintf等函数进行顺序读写。在C语言中，对文件的操作通常涉及文件的打开、读写以及关闭。文件的打开使用fopen函数，而关闭则使用fclose函数。在C语言中，可以使用fread和fwrite函数进行二进制读写。‍ Biaoge 于2024-03-09 23:51发布阅读量：7 ️文章类型：【 C语言程序设计】在C语言中，用于打开文件的函数是____，用于关闭文件的函数是____。

Touchdesigner自学笔记之三_touchdesigner怎么让一个模型跟着鼠标移动-程序员宅基地

文章浏览阅读3.4k次，点赞2次，收藏13次。跟随鼠标移动的粒子以grid（SOP）为partical（SOP）的资源模板，调整后连接【Geo组合+point spirit（MAT)】，在连接【feedback组合】适当调整。影响粒子动态的节点【metaball(SOP)+force(SOP)】添加mouse in（CHOP)鼠标位置到metaball的坐标，实现鼠标影响。..._touchdesigner怎么让一个模型跟着鼠标移动

【附源码】基于java的校园停车场管理系统的设计与实现61m0e9计算机毕设SSM_基于java技术的停车场管理系统实现与设计-程序员宅基地

文章浏览阅读178次。项目运行环境配置：Jdk1.8 + Tomcat7.0 + Mysql + HBuilderX（Webstorm也行）+ Eclispe（IntelliJ IDEA,Eclispe,MyEclispe,Sts都支持）。项目技术：Springboot + mybatis + Maven +mysql5.7或8.0+html+css+js等等组成，B/S模式 + Maven管理等等。环境需要1.运行环境：最好是java jdk 1.8，我们在这个平台上运行的。其他版本理论上也可以。_基于java技术的停车场管理系统实现与设计

Android系统播放器MediaPlayer源码分析_android多媒体播放源码分析时序图-程序员宅基地

文章浏览阅读3.5k次。前言对于MediaPlayer播放器的源码分析内容相对来说比较多，会从Java-&amp;gt;Jni-&amp;gt;C/C++慢慢分析，后面会慢慢更新。另外，博客只作为自己学习记录的一种方式，对于其他的不过多的评论。MediaPlayerDemopublic class MainActivity extends AppCompatActivity implements SurfaceHolder.Cal..._android多媒体播放源码分析时序图

java 数据结构与算法 ——快速排序法-程序员宅基地

文章浏览阅读2.4k次，点赞41次，收藏13次。java 数据结构与算法 ——快速排序法_快速排序法