Pytorch：浅探Tensor的各种索引形式_pytorch tensor索引

前因

之前一直以为对ndarray的各种索引切片操作还算得上熟悉，但今天师弟问了我Informer实现中ProbSparse Self-Attention的一些Tensor索引操作，才发现有些操作还不太懂，而网上也缺乏相关的参考资料。因此在一系列探索下，写下了这篇博客。

各种Tensor索引操作

构造示例数组x，为一个三维tesnor：

import torch
x = torch.arange(16).reshape(2,2,4)
x
1
2
3

tensor([[[ 0,  1,  2,  3],
         [ 4,  5,  6,  7]],

        [[ 8,  9, 10, 11],
         [12, 13, 14, 15]]])
1
2
3
4
5

1. 简单索引

最简单的是直接传入标量，分别取对应维度的对应数据即可。需要主要的是:表示取该维度全数据，x:y表示取该维度上[x,y)之间的数据。

示例1：

x[0, 0, 0], x[0, 0, :], x[0, 0, 0:2]
1

(tensor(0), tensor([0, 1, 2, 3]), tensor([0, 1]))
1

其次是在单维度上传入一维tensor数组，就是在对应的维度上依次获取到对应元素即可。

示例2：

x[1, 1, [0,2,1,0]]
1

tensor([12, 14, 13, 12])
1

2. 一般的花式索引

在多个维度上传入一维tensor数组，类似于numpy中的花式索引，对应的tensor数组提供索引关系。

示例3：

x[0, [0,1], [2,3]]
1

获取到的元素为x[0,0,2]和x[0,1,3]，即[0,1]提供dim 1的索引值，[2,3]提供dim 2的索引值。

tensor([2, 7])
1

示例4：

x[0, [0,1,0], [2]]
1

这种做法会利用到广播机制，实际上的操作会变成x[0, [0,1,0], [2,2,2]]

tensor([2, 6, 2])
1

但如果写成这样就会报错：

x[0, [0,1,0], [2,1]]
1

---------------------------------------------------------------------------
IndexError                                Traceback (most recent call last)
<ipython-input-21-94117f6cd73a> in <module>
----> 1 x[0, [0,1,0], [2,1]]

IndexError: shape mismatch: indexing tensors could not be broadcast together with shapes [3], [2]
1
2
3
4
5
6

3. 复杂的花式索引

在2的基础上，传入的不止是一维的tensor数组，而是2维甚至多维的。

示例5：

x[0, [[0,1]], [[2,3]]]
1

在dim1上的tensor数组d1为[[0,1]]，在dim2上的tensor数组d2为[[2,3]]，同样进行花式索引构成[x[0,0,2], x[0,1,3]]。注意输出多了一层维度

去掉dim0来看，获取的元素位置就是[(0,2), (1,3)]

tensor([[2, 7]])
1

示例6：

x[0, [[0,1],[0,1]], [[0,1],[2,3]]]
1

在dim1上的tensor数组d1为[[0,1],[0,1]]，在dim2上的tensor数组d2为[[0,1],[2,3]]，分别进行花式索引构成[[x[0,0,0], x[0,1,1]],[x[0,0,2], x[0,1,3]]]

去掉dim0来看，获取的元素位置就是[(0,0), (1,1)], [(0,2), (1,3)]

tensor([[0, 5],
        [2, 7]])
1
2

同样可以利用到类似于示例3的广播机制，如下所示：

x[0, [[0,1],[0,1]], [0,1]], x[0, [[0,1],[0,1]], [0]]
1

tensor([[0, 5],        tensor([[0, 4],
        [0, 5]])				[0, 4]])
1
2

以及更复杂的示例：

x[0, [[0],[1]], [[0,1],[2,3]]]
1

等效于x[0, [[0, 0], [1, 1]], [[0,1],[2,3]]]

tensor([[0, 1],
        [6, 7]])
1
2

4. Informer代码示例

在informer的_prob_QK函数中，有一段代码是为了从$Q$中根据索引$M_{top}$得到$Q_{reduce}$，其中$Q$的维度尺寸为 (B,H,L,E)，$M_{top}$为 (B,H,X)，得到的$Q_{reduce}$为 (B,H,X,E)。

乍一看，其实不是很好去实现这种功能，不能通过普通的Tensor索引去获取到对应元素，最朴素的想法是遍历B*H遍，然后分别获取对应的Q[b, h, x]，然后再拼接起来。但这样的时间复杂度会达到O(b * h)的级别，怎么使用矩阵机制呢，官方代码给出的实现如下：

Q_reduce = Q[torch.arange(B)[:, None, None],torch.arange(H)[None, :, None],M_top, :]
1

解释：其中torch.arange(B)[:, None, None]先生成一个[0,B)之间的一维数组，再扩充成3维，最后的维度为 (B, 1, 1)【后面称Mb】，同理torch.arange(H)[None, :, None]最后维度为 (1, H, 1)【后面称Mh】，而$M_{top}$为 (B,H,X)。

首先会利用上面描述的广播机制，将Mb和Mh的维度扩充成(B,H,X)，值得注意的是Mb是从(B,1,1)扩充的，这意味着只要确定的dim 0，Mb中的所有值都是一样的，比如Mb[0]里面就是一个(H,X)维的全0矩阵；同理Mh只要确定了dim 1，那么剩余的都是一样的值。

利用广播机制后，维度全部扩充为 (B, H, X)，再进行花式索引，分别获取得到对应的值。

下面写个示例验证一下：

import torch
Q = torch.arange(16).reshape(2, 2, 4)
M_top = torch.randint(4, (2,2,2))
1
2
3

(tensor([[[ 0,  1,  2,  3],
          [ 4,  5,  6,  7]],
 
         [[ 8,  9, 10, 11],
          [12, 13, 14, 15]]]),
 tensor([[[3, 0],
          [2, 0]],
 
         [[2, 0],
          [1, 3]]]))
1
2
3
4
5
6
7
8
9
10

我们要想从Q【2,2,4】中根据M_top【2,2,2】来获取对应的值，得到一个Q_reduce【2,2,2】，实现如下：

Q[torch.arange(2)[:, None, None], torch.arange(2)[None,:,None], M_top]
1

tensor([[[ 3,  0],
         [ 6,  4]],

        [[10,  8],
         [13, 15]]])
1
2
3
4
5

为了方便理解，这里显示Mb,Mh,M_top经过广播后的结果：

---

以上均为个人理解和实验推理，如果不对和待补充的地方，还请指正。