索引与切片 主讲人：龙良曲 Indexing ▪ dim 0 first select first/last N select by steps select by specific index … select by mask ▪ .masked_select() select by flatten index 下一课时 Tensor变换 Thank You.

4) > a = np.array([1, 2, 3, 4]) > d = a.reshape((2,2)) array([[1, 2], [3, 4]]) 18 ndarray的切片 ndarray的切片和list是一样的。 > a = np.arange(10) > a array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) a[5] a[3:5] 2, 1, 0] [5, 3] 可以通过切片的对ndarray中的元素进行更改。 > a[2:4] = 100, 101 > a array([ 0, 1, 100, 101, 4, 5, 6, 7, 8, 9]) 19 ndarray的切片 ndarray通过切片产生一个新的数组b，b和a共享同一块数据存储空间。 > b = a[3:7] [101, 4, -10, 6] [ 0, 1, 100, 101, 4, -10, 6, 7, 8, 9] 如果想改变这种情况，我们可以用列表对数组元素切片。 > b = a[[3, 3, -3, 8]] > b array([3, 3, 7, 8]) > b[2] = 100 b

4 章 PyTorch 基础 4.1 数据类型 4.2 数值精度 4.3 待优化张量 4.4 创建张量 预览版202112 4.5 张量的典型应用 4.6 索引与切片 4.7 维度变换 4.8 Broadcasting 4.9 数学运算 4.10 前向传播实战 4.11 参考文献 第 5 章 PyTorch 进阶 5.1 合并与分割 6 索引与切片 通过索引与切片操作可以提取张量的部分数据，它们的使用频率非常高，需要熟练掌 握。 4.6.1 索引 PyTorch 张量支持基本的[?][?]⋯标准索引方式，也支持通过逗号分隔索引号的索引方 式。考虑输入?为 4 张32 × 32大小的彩色图片，shape 为[4,32,32,3]，首先创建张量，代码 如下： 预览版202112 4.6 索引与切片 17 ]) 4.6.2 切片 通过start:end: step切片方式可以方便地提取一段数据，其中 start 为开始读取位置的索 引，end 为结束读取位置的索引(不包含 end 位)，step 为采样步长。 预览版202112 第 4 章 PyTorch 基础 18 以 shape 为[4,32,32,3]的图片张量为例，解释如何通过切片获得不同位置的数据。例如

utput.item() 1.Tensors张量的概念 8  Tensor与NumPy的异同 对比项 NumPy Tensor 相同点 可以定义多维数组，进行切片、改变维度、 数学运算等 可以定义多维数组，进行切片、改变维度、数学运 算等 不同点 1、产生的数组类型为 numpy.ndarray； 2、会将ndarray放入 CPU中进行运算； 3、导入方式为import numpy

公司使用，以及核心的科学计算组织如：Lawrence Livermore，NASA用其处理一些 本来使用C++，Fortran或Matlab等所做的任务。 60 Python模块-NumPy 切片 61 Python模块-NumPy 广播 62 Python模块-Pandas ⚫Pandas Pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而 创建的。 一维数据结构，包含行索 引和数据两个部分 DataFrame 二维数据结构，包含 带索引的多列数据， 各列的数据类型可能 不同 64 Python模块-Pandas ⚫ 数据索引 df[5:10] 通过切片方式选取多行 df[col_label] or df.col_label 选取列 df.loc[row_label, col_label] 通过标签选取行/列 df.iloc[row_loc

公司使用，以及核心的科学计算组织如：Lawrence Livermore，NASA用其处理一些 本来使用C++，Fortran或Matlab等所做的任务。 61 Python模块-NumPy 切片 62 Python模块-NumPy 广播 63 Python模块-Pandas ⚫Pandas Pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而 创建的。 一维数据结构，包含行索 引和数据两个部分 DataFrame 二维数据结构，包含 带索引的多列数据， 各列的数据类型可能 不同 65 Python模块-Pandas ⚫ 数据索引 df[5:10] 通过切片方式选取多行 df[col_label] or df.col_label 选取列 df.loc[row_label, col_label] 通过标签选取行/列 df.iloc[row_loc

将允许使用数据集的一个切片。 你还可以给出标准化函数（或 lambda）（可选）。这将在检索到的每一个数据切片上调用它。 参数 • datapath: 字符串，HDF5 文件路径。 • dataset: 字符串，datapath 指定的文件中的 HDF5 数据集名称。 • start: 整数，所需的指定数据集的切片的开始位置。 • end: 整数，所需的指定数据集的切片的结束位置。 • normalizer:

arange/range linspace/logspace Ones/zeros/eye Ones/zeros/eye randperm ▪ random.shuffle 下一课时 Tensor切片 Thank You.

对于一个时间序列来说，如果它的均值没 有系统的变化（无趋势），方差没有系统 变化，并且严格消除了周期性的变化，就 称为是平稳的。 66 • 本章主要介绍了Pandas中用于处理时间序列的相关内容，包括创 建时间序列、时间戳索引和切片操作、固定频率的时间序列、时期 及计算、重采样、滑动窗口和时序模型，最后开发了一个股票预测 分析的案例。 • 通过对本章内容的学习，读者应该掌握处理时间序列数据的一些技 巧，并灵活加以运用。

广播机制 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 2.1.4 索引和切片 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 2.1.5 节省内存 . . 2矩阵，如下所示：矩阵a将复制列，矩阵b将复制行，然后再按元素相加。 a + b 44 2. 预备知识 tensor([[0, 1], [1, 2], [2, 3]]) 2.1.4 索引和切片 就像在任何其他Python数组中一样，张量中的元素可以通过索引访问。与任何Python数组一样：第一个元素 的索引是0，最后一个元素索引是‐1；可以指定范围以包含第一个元素和最后一个之前的元素。 更新所有参数。通常情况下，我们希望原地执行这些更新； 2. 如果我们不原地更新，其他引用仍然会指向旧的内存位置，这样我们的某些代码可能会无意中引用旧 的参数。 幸运的是，执行原地操作非常简单。我们可以使用切片表示法将操作的结果分配给先前分配的数组，例如Y[:] = 。为了说明这一点，我们首先创建一个新的矩阵Z，其形状与另一个Y相同，使用zeros_like来 分配一个全0的块。