对于给定的条件，获取2D张量a中的值的索引，使用这些索引来索引3D张量B

Question

对于给定的2D张量，我想检索值为1的所有索引。我希望能够简单地使用torch.nonzero(a == 1).squeeze()，它将返回tensor([1, 3, 2])。但是，相反，torch.nonzero(a == 1)返回一个2D张量（没关系），每行有两个值（这不是我预期的）。然后应该使用返回的索引来索引3D张量的第二维度（索引1），再次返回2D张量。在

import torch

a = torch.Tensor([[12, 1, 0, 0],
                  [4, 9, 21, 1],
                  [10, 2, 1, 0]])

b = torch.rand(3, 4, 8)

print('a_size', a.size())
# a_size torch.Size([3, 4])
print('b_size', b.size())
# b_size torch.Size([3, 4, 8])

idxs = torch.nonzero(a == 1)
print('idxs_size', idxs.size())
# idxs_size torch.Size([3, 2])

print(b.gather(1, idxs))

显然，这不起作用，导致出现错误：

RuntimeError: invalid argument 4: Index tensor must have same dimensions as input tensor at C:\w\1\s\windows\pytorch\aten\src\TH/generic/THTensorEvenMoreMath.cpp:453

似乎idxs不是我所期望的，也不能像我想的那样使用它。idxs是

^{pr2}$

但是通读documentation我不明白为什么我也会得到结果张量中的行索引。现在，我知道我可以通过切片idxs[:, 1]得到正确的idx，但是，我仍然不能使用这些值作为3D张量的索引，因为与之前一样的错误被提出。是否可以使用索引的一维张量来选择给定维度上的项目？在

Answer 1

假设b的三个维度是batch_size x sequence_length x features（bxs x feats），则可以获得如下预期结果。在

import torch

a = torch.Tensor([[12, 1, 0, 0],
                  [4, 9, 21, 1],
                  [10, 2, 1, 0]])

b = torch.rand(3, 4, 8)
print(b.size())
# b x s x feats
idxs = torch.nonzero(a == 1)[:, 1]
print(idxs.size())
# b
c = b[torch.arange(b.size(0)), idxs]
print(c.size())
# b x feats

Answer 2

您可以简单地将它们切片并作为索引传递，如：

In [193]: idxs = torch.nonzero(a == 1)     
In [194]: c = b[idxs[:, 0], idxs[:, 1]]  

In [195]: c   
Out[195]: 
tensor([[0.3411, 0.3944, 0.8108, 0.3986, 0.3917, 0.1176, 0.6252, 0.4885],
        [0.5698, 0.3140, 0.6525, 0.7724, 0.3751, 0.3376, 0.5425, 0.1062],
        [0.7780, 0.4572, 0.5645, 0.5759, 0.5957, 0.2750, 0.6429, 0.1029]])

---

或者，一种更简单的方法是只使用^{}，然后直接索引到张量{}，如下所示：

^{pr2}$

关于上述使用torch.where()的方法的更多解释：它基于advanced indexing的概念工作。也就是说，当我们使用序列对象的元组（如张量元组、列表元组、元组等）索引到张量中时

# some input tensor
In [207]: a  
Out[207]: 
tensor([[12.,  1.,  0.,  0.],
        [ 4.,  9., 21.,  1.],
        [10.,  2.,  1.,  0.]])

对于基本切片，我们需要一个整数索引元组：

   In [212]: a[(1, 2)] 
   Out[212]: tensor(21.)

要使用高级索引实现相同的功能，我们需要序列对象的元组：

# adv. indexing using a tuple of lists
In [213]: a[([1,], [2,])] 
Out[213]: tensor([21.])

# adv. indexing using a tuple of tuples
In [215]: a[((1,), (2,))]  
Out[215]: tensor([21.])

# adv. indexing using a tuple of tensors
In [214]: a[(torch.tensor([1,]), torch.tensor([2,]))] 
Out[214]: tensor([21.])

返回张量的维数总是比输入张量的维数小一个维数。在

Answer 3

import torch

a = torch.Tensor([[12, 1, 0, 0],
                  [4, 9, 21, 1],
                  [10, 2, 1, 0]])

b = torch.rand(3, 4, 8)

print('a_size', a.size())
# a_size torch.Size([3, 4])
print('b_size', b.size())
# b_size torch.Size([3, 4, 8])

#idxs = torch.nonzero(a == 1, as_tuple=True)
idxs = torch.nonzero(a == 1)
#print('idxs_size', idxs.size())

print(torch.index_select(b,1,idxs[:,1]))