---

前言

        这两个函数优点是通过GPU 运算速度快

目录：

  1   where

   2  Gather

一   where

      原理：

         torch.where(condition,x,y)

        输入参数：

        condition: 判断条件

         x,y: Tensor

        返回值：

            符合条件时: 取x, 不满足取y

         优点： 可以使用GPU,加快运算速度

   

# -*- coding: utf-8 -*-
"""
Created on Thu Dec 22 21:48:02 2022

@author: cxf
"""
import torch

def statistics():
    ans = torch.rand(4,2)
    
    x = torch.tensor([[1,2],
               [1,2],
               [1,2],
               [1,2]])
    
    y = torch.tensor([[3,4],
               [3,4],
               [3,4],
               [3,4]])
    
    
    out =torch.where(ans>0.5,x,y)
    print("\n ans: \n",ans)
    
    print("\n out:  \n",out)

statistics()    

          

 

---

二 Gather

     输入：

              Input

     函数说明：

                    data. gather(dim=d, index=idx)

      输入参数:

                      index:  映射的索引值

                      data 的shape 和 index的shape 必须一致

                      但是各维度的size 可以不一致

                      dim:

                      映射的维度

     输出参数

                     输出张量的shape 的大小和index 一样

       

    例一 dim =0

   

# -*- coding: utf-8 -*-
"""
Created on Wed Dec 28 15:34:09 2022

@author: chengxf2
"""

import torch

def gather():
    data = torch.arange(1, 16, 1).view(3,5)
    
    
    print("\n\n",data.numpy())
    
    idx = torch.LongTensor([[0,0,1]])
    
    idx1 = torch.LongTensor([[0],
                             [0],
                             [2]])
    
    a = data.gather(dim=0, index= idx)
    b = data.gather(dim=0, index= idx1) 
    print("\n\n\n\n",a.numpy(),idx.shape)
    print("\n\n\n\n\n",b.numpy(),idx1.shape)
    
gather()

data 的shape [3,5]

   idx=[[0,0,2]]  shape [1,3]  

   0,0,1  分别代表取data[0,:]  data[0,:] .data[1,:],

            对应列为索引所在的位置  [0,0,1] 所在位置分别为 【0,1,2】

 输出为：

          

 同理  idx1=[[0],[0],[2]],shape: torch.Size([3, 1])

例2 dim=1

def gather():
    data = torch.arange(1, 16, 1).view(3,5)
    
    
    print("\n\n",data.numpy())
    
    idx = torch.LongTensor([[0,1,2]])
    
    idx1 = torch.LongTensor([[0],
                             [1],
                             [2]])
    
    a = data.gather(dim=1, index= idx)
    b = data.gather(dim=1, index= idx1) 
    print("\n\n\n\n",a.numpy(),idx.shape)
   
    print("\n\n\n\n\n",b.numpy(),idx1.shape)

  index 内元素值指定所在列，

   行是由index 元素所在行指定

输出的shape 保持一致