Pytorch——torch.gather()

b=torch.randn(3,4) print("b:\n",b) print('max(b,1):',b.max(1)[0]) print('max(b,1):',b.max(1)[1]) print('max(b,0):',b.max(0)[0]) print('max(b,0):',b.max(0)[1]) print('max(b,1):',torch.max(b,0)[0]) print('max(b,1):',torch.max(b,0)[1]) 结果： b: tensor([[ 0.

上图显示了 torch gather() 函数在 dim=1 的二维张量上的工作。这里索引张量的行对应于输入张量的行（用灰色阴影突出显示）。现在对于索引张量中的每个索引值，从该行和输入张量的索引中选取相应的值。 torch.gather(input=tensor2, dim=1, index = torch.tensor([[2, 1, 0],              &nbs

torch.gather()用法案例详解

参数说明 以官方说明为例，gather()函数需要三个参数，输入input，输出dim，以及索引index input必须为Tensor类型 dim为int类型，代表从哪个维度进行索引 index为LongTensor类型 举例说明 input=torch.tensor([[1,2,3],[4,5,6]]) #作为输入 index1=torch.tensor([[0,1,1],[0,1,1]]) #作为索引矩阵 # dim=0时,按列进行索引 print (torch.gather(i

参考文献1

【Pytorch数据处理】之Torch.index_select()、Torch.gather()详解

torch.gather 作用：收集输入的特定维度指定位置的数值 参数： input(tensor):   待操作数。不妨设其维度为（x1, x2, …, xn） dim(int):   待操作的维度。 index(LongTensor):   如何对input进行操作。其维度有限定，例如当dim=i时，index的维度为（x1, x2, …y, …,xn），...

`torch.gather` 是 PyTorch 中用于根据索引从输入张量中收集值的函数。它允许你从指定维度上按照给定的索引提取元素，生成新的张量。这在需要动态索引或重排数据时非常有用。

torch.gather() 是 PyTorch 中一个功能非常强大的函数，用于在指定维度上 根据索引张量从输入张量中收集元素。它在深度学习中常用于：分类模型中选取目标类别的预测分数，掩码或注意力机制中抽取特定位置，多类标签、序列任务中对齐标签和预测。torch.gather() 是构建深度学习模型中 动态索引操作的核心工具，特别是在分类、序列、注意力等任务中非常常见。

使用函数的时候，涉及到3个Tensor及它们在这个函数中扮演的角色：input：输入（糖果区里等待被购买的各类糖果）index：索引（商场导购员）output：输出（来买糖果的人最终买走的某类糖果）另外还涉及到1个参数：dim：需要在input中使用index来“指路”的维度（选择糖果的范围）

一、文档说明 1. Tensor.scatter(dim, index, src) → Tensor 它是torch.Tensor.scatter_()的错位版本，即： scatter_(dim, index, src, reduce=None) → Tensor 该函数用来scatter 对于一个3-D的tensor，self会被更新为 self[index[i][j][k]][j][k] = src[i][j][k] # if dim == 0 self[i][index[i][j][k]][k] =

本文详细解析了PyTorch中torch.gather()函数的基础概念、应用场景与高级技巧。通过丰富的代码示例，展示了如何在不同维度上高效收集张量元素，包括数据筛选、强化学习动作选择等实战应用，并提供了常见误区的调试建议。掌握这一核心函数将显著提升PyTorch开发效率。

torch.gather()用法：index除了第i维之外的其他维度，大小要和input保持一致。输出维度和index一致，用于Cross Etropy Loss计算 具体应用，实例详解

本文深入解析PyTorch中torch.gather()函数的基础语法、参数详解及实战应用技巧。通过一维、二维和高维张量的实例演示，帮助开发者掌握这一强大的数据索引工具，并提供了分类任务、序列模型和强化学习中的实际应用案例，以及常见错误与优化建议。

torch.gather()与tensor.scatter_()详解与区别。

相当于numpy中resize()的功能，但是用法可能不太一样。reshape（） 我的理解是： 把原先tensor中的数据按照行优先的顺序排成一个一维的数据（这里应该是因为要求地址是连续存储的），然后按照参数组合成其他维度的tensor。比如说是不管你原先的数据是[[[1,2,3],[4,5,6]]]还是[1,2,3,4,5,6]，因为它们排成一维向量都是6个元素，所以只要view后面的参数一致，得到的结果都是一样的。比如， a=torch.Tensor([[[1,2,3],[4,5,6]]])

1