企业官网建设流程全解析

一、索引

1. 基本索引（取一个“点”）

直接用整数定位，结果会降维（去掉被取的那一维）。

x = torch.tensor([[1, 2, 3], [4, 5, 6]]) print(x[0, 1]) # 输出 2（第0行第1列，是个标量，0维） print(x[1]) # 输出 [4, 5, 6]（第1行，变成1维）

2. 切片索引（取一段“连续区间”）

使用start:stop:step，结果保持原维度不变（除非范围缩成1）。

x = torch.tensor([[1, 2, 3], [4, 5, 6]]) print(x[:, 0]) # 输出 [1, 4]（就是你看过的那张图：所有行的第0列，变成1维） print(x[:, 0:1]) # 输出 [[1], [4]]（注意！加了切片后，保持2维，形状为(2,1)） print(x[1:, :2]) # 输出 [[4, 5]]（从第1行开始，取前两列）

逗号,前后表示不同维度，冒号：表示全选
在print(x[:, 0:1])中，冒号：表示行全选，0：1代表列的索引是0：1，遵循左闭右开原则，只取第一列的元素

关键知识点：
因为在列的位置用的是切片:（哪怕是0:1这种只取一列的切片），它也会保留维度。所以取出来的结果依然是二维的（行还在，列也在），形状为(2, 1)，写成矩阵就是两行一列。

而最开始的例子基本索引里是只取一个点x[:, 0]（列位置是单个数字，没有冒号），那就是降维，结果会变成一维[1, 4]。有冒号就保留维度，没冒号（单数字）就降维。

3. 省略号（...）：高维张量的“偷懒神器”

当你处理图片(B, C, H, W)时，不想写一堆冒号。...代表“所有未写出的中间维度”。

# 取所有批次、所有通道的左上角像素 (H=0, W=0) x[..., 0, 0] # 等价于 x[:, :, 0, 0]

4. 花式索引（按指定列表“跳跃”取值）

传入列表或张量，结果形状由索引张量的形状决定。注意它是配对取值的。

x = torch.tensor([[1, 2], [3, 4], [5, 6]]) print(x[[0, 2], [0, 1]]) # 输出 [1, 6]（取(0,0)和(2,1)两个点，配对！） print(x[[0, 2]]) # 输出 [[1, 2], [5, 6]]（取第0行和第2行）

核心规则：当在同一个方括号里写了两个列表（中间用逗号隔开），PyTorch 会像“拉拉链”一样，把两个列表按位置一对一配对取值。

• 第一个列表[0, 2]：提供行号。

• 第二个列表[0, 1]：提供列号。

配对过程（逐对匹配）：

• 取第1对：第一个列表的0（行） + 第二个列表的0（列） → 取(行0, 列0)→ 数字1

• 取第2对：第一个列表的2（行） + 第二个列表的1（列） → 取(行2, 列1)→ 数字6

所以结果就是[1, 6]。

特别注意：它不是取“行0和行2”与“列0和列1”的全部交叉组合（即不是取[[1,2],[5,6]]），而是严格的一对一配对。因为两个列表长度相同，所以结果是一维的。跟基础索引有点类似，不过基础索引是一个点，这里是多个点

5. 布尔索引（按条件“筛选”数据）

传入一个 True/False 的掩码（Mask），极其常用。结果会自动拉成一维。

x = torch.tensor([-1, 2, -3, 4]) mask = x > 0 print(x[mask]) # 输出 [2, 4]（只把大于0的掏出来） # 高级用法：把小于0的变成0（类似ReLU效果） x[x < 0] = 0 print(x) # 输出 [0, 2, 0, 4]

⚠️ 终极致命陷阱：视图（View） vs 副本（Copy）

这是所有新手都会踩的坑，一定要记住：

• 基本索引、切片、省略号：返回的是原数据的视图（View），共享内存。改了这个结果，原张量也会变！

y = x[:, 0] # 切片取第一列 y[0] = 999 print(x) # 原张量的对应位置也变成了 999 ！

• 花式索引、布尔索引：返回的是副本（Copy），不共享内存。改了没关系，原张量纹丝不动。

解决办法：如果你不希望改动原数据，在切片后加上.clone()：y = x[:, 0].clone()。

一句话记忆口诀

逗号分维，冒号全选，花式配对，布尔筛选。切片改值会伤及原身，保险起见加个 clone。😊

二、换轴（主要关注x.T和x.transpose()的差别）

1. 在 PyTorch 中（你最关心的场景）

• x.T：它只做一件事——交换第 0 轴和第 1 轴（即dim=0和dim=1）。对于二维矩阵，这是标准的转置；但对于高维张量，它忽略第 2、第 3 等后面的轴。

• torch.transpose(x, dim0, dim1)：你必须手动指定要交换哪两个轴。它可以交换任意两个维度（比如第 1 轴和第 3 轴）。

用三维张量举例（形状(2, 3, 4)）：

import torch x = torch.randn(2, 3, 4) # 1. 使用 x.T print(x.T.shape) # 输出：torch.Size([3, 2, 4]) # 原因：只交换了原来的第0轴(2)和第1轴(3)，第2轴(4)原地不动。 # 2. 使用 transpose(0, 1) —— 这个结果和 x.T 一样 print(torch.transpose(x, 0, 1).shape) # 输出：torch.Size([3, 2, 4]) （一样） # 3. 使用 transpose(1, 2) —— 交换第1轴和第2轴 print(torch.transpose(x, 1, 2).shape) # 输出：torch.Size([2, 4, 3]) （完全不同！因为第2轴和第1轴互换了）

所以结论：在 PyTorch 里，x.T永远只等于x.transpose(0, 1)。只要你想交换的不是 0 和 1，它们的结果就绝对不一样。

2. 在 NumPy 中

NumPy 的情况更复杂，因为transpose还有一个“空手套白狼”的用法：

• x.T：同 PyTorch，只交换 0 和 1 轴。

• x.transpose()（不带参数）：这是反转所有轴的顺序。比如形状(2, 3, 4)会变成(4, 3, 2)，这跟x.T的(3, 2, 4)完全不是一回事。

3. 如果你想要“全部维度”转置怎么办？

在 PyTorch 中，如果你想一次性把所有维度完全颠倒过来（比如(2,3,4)->(4,3,2)），你不能用x.T，也不能用两两交换的transpose，而是要用x.permute()：

# 把所有维度倒序排列 x.permute(2, 1, 0).shape # 输出 (4, 3, 2)

🎯 终极记忆口诀（防止大脑短路）

• x.T是“小跟班”，只敢动前两排（交换 0 和 1）。

• transpose是“指挥官”，想换哪两排就写哪两排（但要写参数）。

• 想颠倒是非全部反过来？用permute列出所有轴的新顺序。

实战建议：如果你的数据是二维表格（行列），用哪个都一样；如果你的数据是图片(Batch, Channel, Height, Width)，千万别用x.T（它会把 Batch 和 Channel 搞混），一定要用transpose(1, 2)或permute来精准调整。😊