pytorch基础知识-高阶代码

本节介绍pytorch中where和gather两个高阶代码。

.where （根据条件的选取，选择出源头）

API: torch.where(condition, x, y) => Tensor

在输出时选择返回x或y当中的一个，选择条件依据前面给定的condition

因此 输出的out_tensor为x(当条件为真时) 或 y(当条件不满足时)

举例

import torch
cond = torch.tensor([[0.6, 0.7], [0.8, 0.4]])
# 将cond以可能性表示，数值越接近于1，是a的可能性越大，越接近于0，是b的可能性越大
# 我们假设以是否大于0.5作为考察条件，大于为1，小于为0
# 将上述分类器构思完毕后，我们选择源头的两个元素分别设定为a和b
a = torch.tensor([[1., 1.], [1., 1.]])
b = torch.tensor([[0., 0.], [0., 0.]])
# a为大于1，b为小于1
print(torch.where(cond > 0.5, a, b))
# 输出选择结果

输出

tensor([[1., 1.],
        [1., 0.]])

0.6、0.7、0.8大于0.5，输出选择为1,。0.4小于0.5，输出选择为0.

当然这里也可以使用两个for循环来输出相应的值，但会占用更高的CPU运算空间。因此这里介绍的高阶操作: torch.where(condition, x, y) 集成了上述两个连续的操作，使代码更简洁

.gather （收集，查表操作）

其API为：torch.gather(input, dim, index, out=None) => Tensor，使用时根据设定的dim信息指定收集位置。

举例具体说明：

对于Mnist数据集，假设得到的输出为一个[4, 10]矩阵，里面的最大值为0.9（当做算出的最高“可能性”），由此得到的index为[10, 1]的label，里面是类似于[1,0, 2, 3, 1...]的label，此时使用gather来进行查表操作，将label数值与之前的index对应起来。

下面以具体案例来进行讲解

import torch
prob = torch.rand(4, 10)
print(prob)
idex = prob.topk(dim=1, k=3)
# k=3 表明取最有可能的三种“结果”
print(idex[1])
# 查看index
label = torch.arange(10)+100
# 假设做的是一个大项目，里面有大量的index
print(torch.gather(label.expand(4, 10), dim=1, index=idex.idex[1]))
# 将结果表扩展成[4, 10]， 在1维上进行查表，即dim=1，在[4, 3]上进行查表4次（batch=4），对每个batch查询3次，以得到3个索引

输出结果

tensor([[1, 3, 5],
        [0, 7, 8],
        [7, 3, 2],
        [3, 7, 5]])

这个结果表明第一个图片最有可能对应于index中的第1个，第二个图片最有可能对应于index中的第0个。

tensor([[101, 103, 105],

[100, 107, 108],

[107, 103, 102],

[103, 107, 105]])

在大量数据中，第一个图片最有可能对应于index中的第101个

由实际操作来看，gather主要完成的是映射功能