m需要和筛选的结果维度相同

>0.5运行的结果与原来维度相同，结果是 0 1,0代不符合，1代表符合。

import torchm=torch.Tensor([0.1,0.2,0.3]).cuda()iou=torch.Tensor([0.5,0.6,0.7])x= m * ((iou > 0.5).type(torch.cuda.FloatTensor))print(x)

下面是把第一条与第二条变成了2：

import torchm=torch.Tensor([0.1,0.2,0.3]).cuda()iou=torch.Tensor([0.5,0.6,0.7])a=iou > 0.5m[[0,1,1]]=2print(m)

下面的结果：0.2与0.3改为了2

import torchm=torch.Tensor([0.1,0.2,0.3]).cuda()iou=torch.Tensor([0.5,0.6,0.7])a=iou > 0.5m[a]=2print(m)

补充：torch.Tensor的4种乘法

torch.Tensor有4种常见的乘法：*, torch.mul, torch.mm, torch.matmul. 本文抛砖引玉，简单叙述一下这4种乘法的区别，具体使用还是要参照官方文档。

点乘

a与b做*乘法，原则是如果a与b的size不同，则以某种方式将a或b进行复制，使得复制后的a和b的size相同，然后再将a和b做element-wise的乘法。

下面以*标量和*一维向量为例展示上述过程。

* 标量

Tensor与标量k做*乘法的结果是Tensor的每个元素乘以k（相当于把k复制成与lhs大小相同，元素全为k的Tensor）.

>>> a = torch.ones(3,4)>>> atensor([[1., 1., 1., 1.], [1., 1., 1., 1.], [1., 1., 1., 1.]])>>> a * 2tensor([[2., 2., 2., 2.], [2., 2., 2., 2.], [2., 2., 2., 2.]])

* 一维向量

Tensor与行向量做*乘法的结果是每列乘以行向量对应列的值（相当于把行向量的行复制，成为与lhs维度相同的Tensor）. 注意此时要求Tensor的列数与行向量的列数相等。

>>> a = torch.ones(3,4)>>> atensor([[1., 1., 1., 1.], [1., 1., 1., 1.], [1., 1., 1., 1.]])>>> b = torch.Tensor([1,2,3,4])>>> btensor([1., 2., 3., 4.])>>> a * btensor([[1., 2., 3., 4.], [1., 2., 3., 4.], [1., 2., 3., 4.]])

Tensor与列向量做*乘法的结果是每行乘以列向量对应行的值（相当于把列向量的列复制，成为与lhs维度相同的Tensor）. 注意此时要求Tensor的行数与列向量的行数相等。

>>> a = torch.ones(3,4)>>> atensor([[1., 1., 1., 1.], [1., 1., 1., 1.], [1., 1., 1., 1.]])>>> b = torch.Tensor([1,2,3]).reshape((3,1))>>> btensor([[1.], [2.], [3.]])>>> a * btensor([[1., 1., 1., 1.], [2., 2., 2., 2.], [3., 3., 3., 3.]])

* 矩阵

经Arsmart在评论区提醒，增补一个矩阵 * 矩阵的例子，感谢Arsmart的热心评论！

如果两个二维矩阵A与B做点积A * B，则要求A与B的维度完全相同，即A的行数=B的行数，A的列数=B的列数

>>> a = torch.tensor([[1, 2], [2, 3]])>>> a * atensor([[1, 4], [4, 9]])

broadcast

点积是broadcast的。broadcast是torch的一个概念，简单理解就是在一定的规则下允许高维Tensor和低维Tensor之间的运算。broadcast的概念稍显复杂，在此不做展开，可以参考官方文档关于broadcast的介绍. 在torch.matmul里会有关于broadcast的应用的一个简单的例子。

这里举一个点积broadcast的例子。在例子中，a是二维Tensor，b是三维Tensor，但是a的维度与b的后两位相同，那么a和b仍然可以做点积，点积结果是一个和b维度一样的三维Tensor，运算规则是：若c = a * b, 则c[i,*,*] = a * b[i, *, *]，即沿着b的第0维做二维Tensor点积，或者可以理解为运算前将a沿着b的第0维也进行了expand操作，即a = a.expand(b.size()); a * b。

>>> a = torch.tensor([[1, 2], [2, 3]])>>> b = torch.tensor([[[1,2],[2,3]],[[-1,-2],[-2,-3]]])>>> a * btensor([[[ 1, 4], [ 4, 9]], [[-1, -4], [-4, -9]]])>>> b * atensor([[[ 1, 4], [ 4, 9]], [[-1, -4], [-4, -9]]])

其实，上面提到的二维Tensor点积标量、二维Tensor点积行向量，都是发生在高维向量和低维向量之间的，也可以看作是broadcast.

torch.mul

官方文档关于torch.mul的介绍. 用法与*乘法相同，也是element-wise的乘法，也是支持broadcast的。

下面是几个torch.mul的例子.

乘标量

>>> a = torch.ones(3,4)>>> atensor([[1., 1., 1., 1.], [1., 1., 1., 1.], [1., 1., 1., 1.]])>>> a * 2tensor([[2., 2., 2., 2.], [2., 2., 2., 2.], [2., 2., 2., 2.]])

乘行向量

>>> a = torch.ones(3,4)>>> atensor([[1., 1., 1., 1.], [1., 1., 1., 1.], [1., 1., 1., 1.]])>>> b = torch.Tensor([1,2,3,4])>>> btensor([1., 2., 3., 4.])>>> torch.mul(a, b)tensor([[1., 2., 3., 4.], [1., 2., 3., 4.], [1., 2., 3., 4.]])

乘列向量

>>> a = torch.ones(3,4)>>> atensor([[1., 1., 1., 1.], [1., 1., 1., 1.], [1., 1., 1., 1.]])>>> b = torch.Tensor([1,2,3]).reshape((3,1))>>> btensor([[1.], [2.], [3.]])>>> torch.mul(a, b)tensor([[1., 1., 1., 1.], [2., 2., 2., 2.], [3., 3., 3., 3.]])

乘矩阵

例1：二维矩阵 mul 二维矩阵

>>> a = torch.tensor([[1, 2], [2, 3]])>>> torch.mul(a,a)tensor([[1, 4], [4, 9]])

例2：二维矩阵 mul 三维矩阵（broadcast）

>>> a = torch.tensor([[1, 2], [2, 3]])>>> b = torch.tensor([[[1,2],[2,3]],[[-1,-2],[-2,-3]]])>>> torch.mul(a,b)tensor([[[ 1, 4], [ 4, 9]], [[-1, -4], [-4, -9]]])

torch.mm

官方文档关于torch.mm的介绍. 数学里的矩阵乘法，要求两个Tensor的维度满足矩阵乘法的要求.

例子：

>>> a = torch.ones(3,4)>>> b = torch.ones(4,2)>>> torch.mm(a, b)tensor([[4., 4.], [4., 4.], [4., 4.]])

torch.matmul

官方文档关于torch.matmul的介绍. torch.mm的broadcast版本.

例子：

>>> a = torch.ones(3,4)>>> b = torch.ones(5,4,2)>>> torch.matmul(a, b)tensor([[[4., 4.], [4., 4.], [4., 4.]], [[4., 4.], [4., 4.], [4., 4.]], [[4., 4.], [4., 4.], [4., 4.]], [[4., 4.], [4., 4.], [4., 4.]], [[4., 4.], [4., 4.], [4., 4.]]])

同样的a和b，使用torch.mm相乘会报错

>>> torch.mm(a, b)Traceback (most recent call last): File "<stdin>", line 1, in <module>RuntimeError: matrices expected, got 2D, 3D tensors at /pytorch/aten/src/TH/generic/THTensorMath.cpp:2065

以上这篇pytorch单维筛选 相乘的案例就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持。