# PyTorch Tensor 索引完全指南（小白入门版）

> 一篇真正讲懂 Tensor 索引的博客。看完后，你可以熟练使用 **普通索引、切片、花式索引、布尔索引、Mask、****`...`****、****`None`** 等 PyTorch 最常见的索引方式。

---

# 一、为什么要学 Tensor 索引？

如果你写过 Python，就一定用过列表：

```python
nums = [10, 20, 30, 40]

print(nums[0])   # 10
print(nums[1:3]) # [20,30]
```

Tensor 的索引思想 **几乎完全继承 Python**，只是 Tensor 可以是二维、三维、甚至几十维。

例如：

```python
import torch

x = torch.tensor([
    [1, 2, 3],
    [4, 5, 6],
    [7, 8, 9]
])
```

它长这样：

| 行\列 | 0 | 1 | 2 |
|:----|:----|:----|:----|
| **0** | 1 | 2 | 3 |
| **1** | 4 | 5 | 6 |
| **2** | 7 | 8 | 9 |


后面所有索引，都是围绕这个矩阵展开。

---

# 二、最基础：整数索引

## 1. 取一个元素

```python
print(x[0, 1])
```

结果：

```
tensor(2)
```

为什么？

```
x[0,1]

第0行：
[1 2 3]

第1列就是：
2
```

等价于：

```python
x[0][1]
```

但是推荐写成：

```python
x[0,1]
```

效率更高，也更符合 PyTorch 风格。

---

## 2. 负数索引

和 Python 一样。

```python
print(x[-1])
```

结果：

```
tensor([7, 8, 9])
```

意思是最后一行。

再比如：

```python
print(x[-1,-1])
```

结果：

```
tensor(9)
```

---

# 三、切片（Slice）

语法：

```python
start:end:step
```

记住一句话：

> **左闭右开**

例如：

```python
print(x[0:2])
```

得到：

```
tensor([
    [1,2,3],
    [4,5,6]
])
```

为什么不是三行？

因为：

```
0:2

包含0
包含1
不包含2
```

---

## 1. 取某一列

所有行，第1列：

```python
print(x[:,1])
```

结果：

```
tensor([2,5,8])
```

这里的 `:` 表示：

> 这一维全部要。



---

## 2. 取某一行

```python
x[1,:]
```

等价于：

```python
x[1]
```

结果：

```
tensor([4,5,6])
```

---

## 3. 隔行取

```python
x[::2]
```

结果：

```
tensor([
    [1,2,3],
    [7,8,9]
])
```

解释：

```
start省略
end省略
step=2

取第0行
跳过1
取第2行
```

---

## 4. 倒序

```python
x[::-1]
```

结果：

```
tensor([
    [7,8,9],
    [4,5,6],
    [1,2,3]
])
```

step 为 -1，就是反转。

---

# 四、二维切片（最常用）

例如：

```python
x[:2,:2]
```

结果：

```
tensor([
    [1,2],
    [4,5]
])
```

图示：

```
      0 1 2
    ┌───────┐
0   │1 2│3  │
1   │4 5│6  │
    ├───┘   │
2   │7 8 9  │
    └───────┘
```

就是左上角 2×2。

---

## 再举几个例子

### 右下角

```python
x[1:,1:]
```

结果：

```
tensor([
    [5,6],
    [8,9]
])
```

---

### 第一列和第二列

```python
x[:,0:2]
```

结果：

```
tensor([
    [1,2],
    [4,5],
    [7,8]
])
```

---

# 五、花式索引（Fancy Index）

这是 PyTorch 非常重要的能力。

普通切片只能连续。

花式索引可以：

> **任意挑选元素。**

---

## 1. 指定多个行

```python
rows = torch.tensor([0,2])

print(x[rows])
```

结果：

```
tensor([
    [1,2,3],
    [7,8,9]
])
```

图示：

```
选择：
第0行 ✅
第2行 ✅

得到：

1 2 3
7 8 9
```

---

## 2. 指定多个列

```python
cols = torch.tensor([0,2])

print(x[:,cols])
```

结果：

```
tensor([
    [1,3],
    [4,6],
    [7,9]
])
```

不是连续列，而是任选。

---

## 3. 行列同时指定（重点）

很多人这里容易搞错。

```python
x = torch.tensor([
    [1,2,3],
    [4,5,6],
    [7,8,9]
])

rows = torch.tensor([0,1,2])
cols = torch.tensor([2,1,0])

print(x[rows, cols])
```

结果：

```
tensor([3,5,7])
```

为什么？

它不是矩阵。

而是：

```
(row,col)

(0,2)=3
(1,1)=5
(2,0)=7
```

对应关系是一一配对：

| row | col | 值 |
|:----|:----|:----|
| 0 | 2 | 3 |
| 1 | 1 | 5 |
| 2 | 0 | 7 |


这叫 **配对索引**。

---

## 4. 如果想取笛卡尔积怎么办？

很多新人以为：

```python
x[[0,2],[0,2]]
```

结果应该是：

```
1 3
7 9
```

其实不是。

它得到：

```
tensor([1,9])
```

原因：

```
(0,0)
(2,2)
```

如果要真正的矩阵，要这样：

```python
rows = torch.tensor([0,2])
cols = torch.tensor([0,2])

print(x[rows][:,cols])
```

得到：

```
tensor([
    [1,3],
    [7,9]
])
```

这是实际开发最常见的写法。

---

# 六、布尔索引（Boolean Index）

这是训练中最常见的索引方式。

例如：

```python
x = torch.arange(10)

print(x)
```

得到：

```
tensor([0,1,2,3,4,5,6,7,8,9])
```

---

## 1. 大于5

```python
mask = x > 5

print(mask)
```

结果：

```
tensor([
 False,False,False,
 False,False,False,
 True,True,True,True
])
```

Mask 就是一张真假表。

再索引：

```python
print(x[mask])
```

结果：

```
tensor([6,7,8,9])
```

理解：

```
值： 0 1 2 3 4 5 6 7 8 9

Mask:
    F F F F F F T T T T

留下 True
```

---

## 2. 不需要单独写 Mask

直接写：

```python
print(x[x>5])
```

开发中最常见。

---

## 3. 二维布尔索引

```python
x = torch.tensor([
    [1,2,3],
    [4,5,6],
    [7,8,9]
])

print(x[x>5])
```

结果：

```
tensor([6,7,8,9])
```

注意！

结果变成了一维。

因为布尔索引会：

> **把所有 True 的元素拉平成一维返回。**

---

# 七、布尔 Mask 修改数据

索引不仅能读取，还能修改。

例如：

```python
x = torch.arange(10)

x[x%2==0] = -1

print(x)
```

结果：

```
tensor([-1,1,-1,3,-1,5,-1,7,-1,9])
```

解释：

```
偶数：
0 2 4 6 8

全部改成 -1
```

这是深度学习中处理标签、过滤数据最常见的方法。

---

# 八、组合条件

例如：

取 3~7。

```python
mask = (x>=3) & (x<=7)

print(x[mask])
```

结果：

```
tensor([3,4,5,6,7])
```

注意必须加括号。

错误：

```python
x>=3 & x<=7
```

会报错。

正确：

```python
(x>=3) & (x<=7)
```

逻辑运算：

| 运算 | 含义 |
|:----|:----|
| `&` | 并且 |
| `&#124;` | 或者 |
| `~` | 取反 |


例如：

```python
x[~(x>5)]
```

得到：

```
tensor([0,1,2,3,4,5])
```

---

# 九、`...`（省略号）

当 Tensor 维度很多时特别有用。

假设：

```python
x = torch.randn(2,3,4)
```

形状：

```
(2,3,4)
```

三维可以理解成：

```
2 个矩阵

每个矩阵：
3×4
```

如果想取最后一列：

普通写法：

```python
x[:,:,3]
```

更推荐：

```python
x[...,3]
```

意思：

> 前面的维度全部保留。

例如四维：

```python
x = torch.randn(8,3,224,224)

x[...,0]
```

等价于：

```python
x[:,:,:,0]
```

所以：

> **`...`** **= 剩余所有维度**

这是 CNN、Transformer 代码里特别常见。

---



一篇真正讲懂 Tensor 索引的博客。看完后，你可以熟练使用 普通索引、切片、花式索引、布尔索引、Mask、**...、None 等 PyTorch 最常见的索引方式。

PyTorch Tensor 索引完全指南（小白入门版）

人工智能

编程语言

开发工具

PyTorch Tensor索引从入门到实战，一篇讲透整数索引、切片、花式索引、布尔Mask及省略号用法。通过3x3矩阵示例，清晰演示x[0,1]、x[:,1]、x[::2]等操作，重点解析配对索引与笛卡尔积区别，并涵盖数据筛选修改技巧。适合深度学习初学者快速掌握PyTorch数据提取核心方法。

深度学习

数据索引

代码解释

Transformer

Python

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

PyTorch Tensor 索引完全指南（小白入门版）-腾讯云开发者社区-腾讯云

PyTorch Tensor 索引完全指南（小白入门版）

PyTorch Tensor 索引完全指南（小白入门版）

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐