torch.where()用法

torch.where用法

前言

本文主要讲述

torch.where()

的两种用法，第一种是最常规的，也是官方文档所注明的；第二种就是配合

bool

型张量的计算

1、torch.where()常规用法

我们先看官方文档的解释：

torch.where(condition, x, y)

根据条件，也就是

condiction

，返回从

x

或

y

中选择的元素的张量（这里会创建一个新的张量，新张量的元素就是从x或y中选的，形状要符合

x

和

y

的广播条件）。

Parameters

解释如下：
1、

condition (bool型张量) 

：当

condition

为真，返回

x

的值，否则返回

y

的值
2、

x (张量或标量)

：当

condition=True

时选

x

的值
2、

y (张量或标量)

：当

condition=False

时选

y

的值

我看了好些博文，他们都说

x

和

y

的形状必须相同，完全胡扯嘛，官方文档写的明明白白的：The tensors condition, x, y must be broadcastable. 也就是说

condition、x、y

能进行广播就行，并不要求形状一样。下面看用法：

1.1 形状相同

先演示形状相同的情况：

import torch

x = torch.tensor([[1,2,3],[3,4,5],[5,6,7]])
y = torch.tensor([[5,6,7],[7,8,9],[9,10,11]])
z = torch.where(x >5, x, y)print(f'x = {x}')print(f'=========================')print(f'y = {y}')print(f'=========================')print(f'x > 5 = {x >5}')print(f'=========================')print(f'z = {z}')>print result:
x = tensor([[1,2,3],[3,4,5],[5,6,7]])=========================
y = tensor([[5,6,7],[7,8,9],[9,10,11]])=========================
x >5= tensor([[False,False,False],[False,False,False],[False,True,True]])=========================
z = tensor([[5,6,7],[7,8,9],[9,6,7]])

上面定义了

x

和

y

，两者的形状

shape=(3, 3)

相同，然后

condition = x > 5

也是就

x

中的每个元素值都要大于5，这里就能看到

x

中第0行和第1行都是

False

，只有第2行的1、2列是

True

，然后前面说了，为

True

时使用的是

x

中的值，为

False

时使用的是

y

中的值，那么新创建的

z

前两行和第2行0列使用的是

y

中的值，剩下两个使用

x

中的值，

z

的

shape

也是

(3, 3)

。

1.2 标量情况

x =3
y = torch.tensor([[1,5,7]])
z = torch.where(y >2, y, x)print(f'y > 2 = {y >2}')print(f'=========================')print(f'z = {z}')print(f'y > 2 = {y >2}')print(f'=========================')print(f'z = {z}')>print result:
y >2= tensor([[False,True,True]])=========================
z = tensor([[3,5,7]])

在这里，

x

是一个标量，

condition = y > 2

，你要是问我为什么不把

condition

设为

condition = x > 2

，很简单，

x > 2

不是

bool Tensor

。这里标量和张量是可以进行广播的！！
example:

a = torch.tensor([1,5,7])
b =3
c = a + b
d = torch.tensor([3,3,3])
e = a + d

print(f'c = {c}')print(f'e = {e}')>print result:
c = tensor([4,8,10])
d = tensor([4,8,10])

其实就是把

b = 3

拉成了

[3, 3, 3]

，也是就

d

那样。

1.3 形状不同

其实标量那里也算是形状不同了，这里我再啰嗦一下吧，看例子：

x = torch.tensor([[1,3,5]])
y = torch.tensor([[2],[4],[6]])
z = torch.where(x >2, x, y)print(f'x = {x}')print(f'=========================')print(f'y = {y}')print(f'=========================')print(f'x > 2 = {x >2}')print(f'=========================')print(f'z = {z}')>print result:
x = tensor([[1,3,5]])=========================
y = tensor([[2],[4],[6]])=========================
x >2= tensor([[False,True,True]])=========================
z = tensor([[2,3,5],[4,3,5],[6,3,5]])

上面

x.shape=(1, 3) y.shape=(3, 1)

，然后

condition = x > 2

的

shape=(1, 3)

，是可广播的，所以运算也能成功，在计算

torch.where(x > 2, x, y)

时，分别对

x、y、condition

进行广播，

x.shape=(3, 3)

，

y.shape=(3, 3)

，

condition.shape=(3, 3)

所以

y

的值替换第0列，第1、2列为

x

的值。
更多的广播形式请读者朋友自行尝试

2、torch.where()特殊用法

torch.where(a & b)

a

和

b

都是

bool Tensor

，返回的是一个元组，元组第一项是

a、b

中都为

True

的行的

index

的

Tensor

，第二项是

a、b

都为

True

列的

index

的

Tensor

请看例子：

a = torch.tensor([[0,1,1],[1,0,0],[0,0,1]], dtype=torch.bool)
b = torch.ones((3,3), dtype=torch.bool)
c = torch.where(a & b)print(f'a = {a}')print(f'=========================')print(f'b = {b}')print(f'=========================')print(f'c = {c}')>print result:
a = tensor([[False,True,True],[True,False,False],[False,False,True]])=========================
b = tensor([[True,True,True],[True,True,True],[True,True,True]])=========================
c =(tensor([0,0,1,2]), tensor([1,2,0,2]))

c

就是一个元组，第0项是

a、b

都为

True

的行标，第1项是

a、b

都为

True

的列标

总结

以上就是torch.where()的两种用法，看起来比较麻烦，多练练也就是那样，特别一点的就是一个广播机制一个特殊用法，欢迎评论指正！
请尊重原创，拒绝转载！！！

参考链接

https://pytorch.org/docs/stable/generated/torch.where.html#torch.where
https://pytorch.org/docs/stable/notes/broadcasting.html#broadcasting-semantics
https://numpy.org/doc/stable/user/basics.broadcasting.html