torch.nonzero詳細解析

一、torch.nonzero簡介

PyTorch是一個深度學習框架，torch.nonzero是其中一個常用的函數。它可以幫助我們找到一個張量中非零元素的索引。這個函數對於在深度學習任務中，尋找需要的數據的位置或者對數據進行操作非常有用。

我們來看一下它的函數定義：

torch.nonzero(input, out=None) -> Tensor

它的輸入是一個張量，輸出則是一個2列的張量，其中第i個行代表了input中第i個非零元素的索引。這個經常用來對結果進行處理。如果在輸入的張量中沒有非零元素，則結果將是一個0行2列的張量。

二、torch.nonzeros與torch.nonzero的不同之處

在深度學習的過程中，我們有時需要使用squeeze()函數將維度為1的維度去掉。不過，由於torch.squeeze()對維度為1的維度無法處理，我們需要使用torch.nonzeros()函數。

和torch.nonzero()函數不同，torch.nonzeros()函數返回的張量是一個元組，在元組中有各個小張量，這些小張量代表了非零元素的位置。

下面是一個使用torch.nonzeros()的例子：

import torch
a = torch.randn(2, 2)
a[1][1] = 0#隨機生成一個2x2的矩陣，第二行第二列的元素置為0
print(torch.nonzeros(a))

結果：tensor([0, 1, 1]), tensor([0, 0, 1])

當然，在許多情況下torch.nonzero也是很有用的，只需要在返回結果中使用某些特定的列，並且我們可以使用函數來找到一些特定的元素。

三、使用實例分析：

1. 找到分數最高的學生的索引

假設我們有以下數據，每個學生的成績包含下列四個元素：姓名，語文分數，數學分數，英語分數。我們可以通過torch.argmax()函數來得到最高分數的學生的索引。

import torch
scores = torch.tensor([
    ["Tom", 85.0, 70.0, 88.0],
    ["Jerry", 68.0, 90.0, 72.0],
    ["Mickey", 92.0, 90.0, 84.0]
])
scores[:, 1:] = scores[:, 1:].float()
indices = torch.argmax(scores[:, 1:].sum(1))#返回沿着指定的軸的所有元素的總和的張量。
print(indices)

運行結果：tensor(2)

我們找到了分數最高的學生，索引為2。

2. 通過索引更改數據

假設我們有一條信息，它的每個元素都是一個數字。我們通過torch.nonzero()函數找到這個數組中的非零元素的位置。並且通過位置把它們的值全部更換為-1。

import torch
data = torch.randn(10, 3, 4)#隨機生成一個10x3x4的張量
print(data)
nonzero = torch.nonzero(data)
data[nonzero[:, 0], nonzero[:, 1], nonzero[:, 2]] = -1
print(data)

運行結果：

tensor([[[ 0.6985,  0.6541, -0.6435, -0.8692],
         [-0.7543,  1.9164, -0.1396,  0.1368],
         [-1.3696, -0.8290, -0.6031,  0.7476]],

        [[ 1.1005,  0.4018, -0.5424,  0.2659],
         [-0.2727, -1.4804, -1.9228, -0.4452],
         [-0.9083, -0.8335, -1.1950,  2.8144]],

        [[ 0.4497, -0.1021, -1.3320, -1.3588],
         [-0.1672,  0.2023, -0.3156,  1.2721],
         [ 1.5732,  0.2276, -0.1561,  1.8255]],

        [[-0.7265, -0.0924,  0.4649, -0.5616],
         [-0.7947,  0.4614,  0.6878, -0.4110],
         [ 0.8458, -2.0662, -1.3018,  0.7605]],

        [[ 0.4411, -1.6426,  2.0690, -0.5102],
         [-1.9996,  0.4973, -0.8513, -0.8912],
         [ 0.2831,  0.0574, -0.2876, -0.9645]],

        [[ 0.1698, -1.1984, -0.3162,  1.5354],
         [-0.8763, -1.7511, -2.0049, -0.8586],
         [-1.6701,  0.0138,  0.4732,  0.9307]],

        [[ 0.2027,  0.9982, -1.4201, -0.1439],
         [ 0.8717, -1.1299, -0.9696,  1.0909],
         [-1.8889,  0.0404, -0.4895,  0.6088]],

        [[ 0.3395, -1.1325, -0.0518,  0.8898],
         [-1.4189,  0.2398, -1.8188,  1.2298],
         [-1.4087, -0.0418,  0.0131,  0.8699]],

        [[ 2.6099,  0.9482,  0.1749,  0.7233],
         [-0.8990, -0.3829,  0.4778,  1.8552],
         [ 1.3726, -0.3357, -1.4024, -1.2597]],

        [[ 0.0404,  0.3763,  0.3137, -0.6039],
         [ 0.4763,  0.1439,  0.5738, -0.4584],
         [-0.4458, -1.0648,  1.4215,  1.3238]]])
tensor([[[ 0.6985,  0.6541, -0.6435, -0.8692],
         [-1.0000,  1.9164, -0.1396,  0.1368],
         [-1.0000, -0.8290, -0.6031,  0.7476]],

        [[-1.0000,  0.4018, -0.5424,  0.2659],
         [-0.2727, -1.4804, -1.9228, -0.4452],
         [-0.9083, -0.8335, -1.1950, -1.0000]],

        [[ 0.4497, -0.1021, -1.3320, -1.3588],
         [-0.1672,  0.2023, -0.3156,  1.2721],
         [ 1.5732,  0.2276, -0.1561,  1.8255]],

        [[-0.7265, -0.0924,  0.4649, -0.5616],
         [-0.7947,  0.4614,  0.6878, -0.4110],
         [ 0.8458, -1.0000, -1.3018,  0.7605]],

        [[ 0.4411, -1.6426, -1.0000, -0.5102],
         [-1.9996,  0.4973, -0.8513, -0.8912],
         [ 0.2831,  0.0574, -0.2876, -0.9645]],

        [[ 0.1698, -1.1984, -0.3162,  1.5354],
         [-0.8763, -1.7511, -2.0049, -0.8586],
         [-1.6701,  0.0138,  0.4732,  0.9307]],

        [[ 0.2027,  0.9982, -1.4201, -0.1439],
         [ 0.8717, -1.1299, -0.9696,  1.0909],
         [-1.8889,  0.0404, -0.4895,  0.6088]],

        [[ 0.3395, -1.1325, -0.0518,  0.8898],
         [-1.4189,  0.2398, -1.8188,  1.2298],
         [-1.4087, -1.0000,  0.0131,  0.8699]],

        [[ 2.6099,  0.9482,  0.1749,  0.7233],
         [-0.8990, -0.3829,  0.4778,  1.8552],
         [ 1.3726, -0.3357, -1.4024, -1.2597]],

        [[ 0.0404,  0.3763,  0.3137, -0.6039],
         [ 0.4763,  0.1439,  0.5738, -0.4584],
         [-0.4458, -1.0648,  1.4215,  1.3238]]])

3.尋找張量中最大的值與最小的值

假設我們有一個具有六個元素的張量，其中四個元素是隨機整數，兩個元素是隨機浮點數。我們可以使用torch.max()函數和torch.min()函數來找到張量中的最大值和最小值。

import torch
x = torch.randn(6)#隨機生成六個元素的張量
print(x)
max_val, max_ind = torch.max(x, 0)#返回沿着指定的軸的所有元素的最大值，以及對應的索引
min_val, min_ind = torch.min(x, 0)#返回沿着指定的軸的所有元素的最小值，以及對應的索引
print(max_val, max_ind)
print(min_val, min_ind)

運行結果：

tensor([ 1.0147, -0.3900,  0.5612, -1.8045, -0.1226, -0.6230])
tensor(1.0147) tensor(0)
tensor(-1.8045) tensor(3)

四、總結

在本次文章中，我們詳細解析了torch.nonzero函數。我們介紹了torch.nonzero和torch.nonzeros兩個函數的不同，講解了它們的使用場景，給出了一些實例。希望讀者們能夠通過本文認識和掌握torch.nonzero這一函數，更好地應用到深度學習任務中。