tensor的裁剪运算：
对Tensor中的元素进行范围过滤，常用于梯度裁剪，即发生梯度离散或梯度爆炸时对梯度的处理。
a.clamp( m, n ) #Tensor元素小于m的数设置为m，大于n的数设置为n，中间数不变
张量的索引与数据筛选
torch.where（）
a = torch.rand(4,4)
b = torch.rand(4,4)
print(a)
print(b)
out = torch.where(a>0.5, a, b) #a中元素大于0.5就取a，否则取b中元素
print(out)
**运行结果如下：**
tensor([[0.8398, 0.6471, 0.4569, 0.4201],
[0.7709, 0.3473, 0.3266, 0.7476],
[0.3464, 0.1817, 0.9940, 0.8923],
[0.1200, 0.3620, 0.8695, 0.5287]])
tensor([[0.2696, 0.8583, 0.1839, 0.1974],
[0.5311, 0.5031, 0.8511, 0.2318],
[0.2731, 0.2629, 0.5364, 0.4485],
[0.6691, 0.6053, 0.3791, 0.7288]])
tensor([[0.8398, 0.6471, 0.1839, 0.1974], #out的值
[0.7709, 0.5031, 0.8511, 0.7476],
[0.2731, 0.2629, 0.9940, 0.8923],
[0.6691, 0.6053, 0.8695, 0.5287]])
index_select（）
a = torch.rand(4,4)
print(a)
#根据第0维度的0，3，2索引值来形成张量out
out = torch.index_select( a, dim=0, index=torch.tensor([0,3,2]) )
print(out)
**运行结果如下：**
tensor([[0.9408, 0.4145, 0.3303, 0.6657],
[0.3579, 0.6335, 0.1693, 0.7252],
[0.6147, 0.3858, 0.6160, 0.7010],
[0.7631, 0.6497, 0.6332, 0.1657]])
tensor([[0.9408, 0.4145, 0.3303, 0.6657], #a的0维度上的第0索引
[0.7631, 0.6497, 0.6332, 0.1657], #3索引
[0.6147, 0.3858, 0.6160, 0.7010]]) #2索引
torch.gether()
a = torch.linspace(1,16,16).view(4,4) #把数值为1-16的序列转换成4*4维矩阵
print(a)
out = torch.gather(a, dim=0,
index=torch.tensor([[0,1,1],
[0,1,2],
[0,1,3]]))
print(out)
**运行结果如下：**
tensor([[ 1., 2., 3., 4.],
[ 5., 6., 7., 8.],
[ 9., 10., 11., 12.],
[13., 14., 15., 16.]])
tensor([[ 1., 6., 7.], #out张量与索引张量的维度一样
[ 1., 6., 11.],
[ 1., 6., 15.]])
**可以表示为以下公式**
#dim=0, out[i,j,k] = input[ index[i,j,k], j, k]
#dim=1, out[i,j,k] = input[ i, index[i,j,k], k]
torch.masked_select（）
a = torch.linspace(1,16,16).view(4,4)
mask = torch.gt(a, 8)
print(a)
print(mask)
out = torch.masked_select(a, mask)
print(out)
**运行结果如下：**
tensor([[ 1., 2., 3., 4.],
[ 5., 6., 7., 8.],
[ 9., 10., 11., 12.],
[13., 14., 15., 16.]])
tensor([[False, False, False, False],
[False, False, False, False],
[ True, True, True, True],
[ True, True, True, True]])
tensor([ 9., 10., 11., 12., 13., 14., 15., 16.])
torch.take():拉成一个向量再根据索引值输出一个向量
a = torch.linspace(1,16,16).view(4,4)
print(a)
out = torch.take(a, index=torch.tensor([0, 15,13,10]))
print(out)
**运行结果如下：**
tensor([[ 1., 2., 3., 4.],
[ 5., 6., 7., 8.],
[ 9., 10., 11., 12.],
[13., 14., 15., 16.]])
tensor([ 1., 16., 14., 11.])
torch.nonzero（）
a = torch.tensor( [[0,1,0,2],[2,3,0,4]] )
out = torch.nonzero(a) #返回索引值
print(out)
**运行结果如下：**
tensor([[0, 1],
[0, 3],
[1, 0],
[1, 1],
[1, 3]])
