深度学习pytorch——高阶OP（where & gather）（持续更新）

where

1、我们为什么需要where？

我们经常需要一个数据来自好几个的取值，而这些取值通常是不规律的，这就会导致使用传统的拆分和合并会非常的麻烦。我们也可以使用for循环嵌套来取值，也是可以的，但是使用for循环就意味着是python，那并没有很好的利用pytorch提供的使用gpu加速计算，当数据量非常大的话，会很大的拉低效率，因此我们使用pytorch提供的where。

2、where的使用

语法：torch.where(condition, x, y)  ------>  tensor

返回值：最后的返回值是一个张量，最后每个元素来自数据x，还是数据y依赖于条件。

使用where的条件：x.shape = y.shape = c.shape = condition.shape（c为结果,condition为0 1矩阵）

代码示例：

cond = torch.tensor([[0.6,0.7],[0.8,0.4]])
a = torch.zeros(2,2)
b = torch.ones(2,2)
print(torch.where(cond>0.5,a,b))
# tensor([[0., 0.],
#         [0., 1.]])

gather

1、我们为什么需要gather？

gather：根据index收集数据。

不使用gather的情况：

可以从上图中看出，索引是非常繁琐的，而且不小心就看错了，虽说也不是很难，但是深度学习处理的数据都是非常庞大的，比如一个1024*1024的图片，这时候内心是崩溃的🌹。还有一点，我们可以使用gpu帮助我们加快数据处理的效率。 

2、gather的使用

语法：torch.gather(input, dim, index, out=None) -----> tensor

input：表

dim：在哪个维度查表

index：索引表

代码示例：

prob=torch.randn(4,10)
idx=prob.topk(dim=1,k=3)
idx=idx[1]
# 以上为了得到索引表
label=torch.arange(10)+100
print(torch.gather(label.expand(4,10),dim=1,index=idx))

本网站所收集的部分公开资料来源于AI生成和互联网，转载的目的在于传递更多信息及用于网络分享，并不代表本站赞同其观点和对其真实性负责，也不构成任何其他建议。