多维张量的前 K 个索引答案

【问题标题】：Top K indices of a multi-dimensional tensor多维张量的前 K 个索引
【发布时间】：2021-01-22 05:59:25
【问题描述】：

我有一个 2D 张量，我想获得前 k 个值的索引。我知道pytorch's topk 功能。 pytorch 的 topk 函数的问题是，它计算某个维度上的 topk 值。我想获得两个维度的 topk 值。

例如对于以下张量

a = torch.tensor([[4, 9, 7, 4, 0],
        [8, 1, 3, 1, 0],
        [9, 8, 4, 4, 8],
        [0, 9, 4, 7, 8],
        [8, 8, 0, 1, 4]])

pytorch 的 topk 函数会给我以下。

values, indices = torch.topk(a, 3)

print(indices)
# tensor([[1, 2, 0],
#        [0, 2, 1],
#        [0, 1, 4],
#        [1, 4, 3],
#        [1, 0, 4]])

但我想得到以下内容

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

这是 9 在二维张量中的索引。

有什么方法可以使用 pytorch 实现这一点吗？

【问题讨论】：

您只是想要示例中的前 1 个，还是对 topk 也感兴趣？

标签： python pytorch tensor matrix-indexing

【解决方案1】：

v, i = torch.topk(a.flatten(), 3)
print (np.array(np.unravel_index(i.numpy(), a.shape)).T)

输出：

[[3 1]
 [2 0]
 [0 1]]

展平并找到top k
使用unravel_index将一维索引转换为二维

【讨论】：

【解决方案2】：

您可以根据需要进行一些向量操作进行过滤。在这种情况下不使用 topk。

print(a)
tensor([[4, 9, 7, 4, 0],
    [8, 1, 3, 1, 0],
    [9, 8, 4, 4, 8],
    [0, 9, 4, 7, 8],
    [8, 8, 0, 1, 4]])

values, indices = torch.max(a,1)   # get max values, indices
temp= torch.zeros_like(values)     # temporary
temp[values==9]=1                  # fill temp where values are 9 (wished value)
seq=torch.arange(values.shape[0])  # create a helper sequence
new_seq=seq[temp>0]                # filter sequence where values are 9
new_temp=indices[new_seq]          # filter indices with sequence where values are 9
final = torch.stack([new_seq, new_temp], dim=1)  # stack both to get result

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

【讨论】：

【解决方案3】：

您可以flatten 原始张量，应用topk，然后将结果标量索引转换回多维索引，如下所示：

def descalarization(idx, shape):
    res = []
    N = np.prod(shape)
    for n in shape:
        N //= n
        res.append(idx // N)
        idx %= N
    return tuple(res)

例子：

torch.tensor([descalarization(k, a.size()) for k in torch.topk(a.flatten(), 5).indices])
# Returns 
# tensor([[3, 1],
#         [2, 0],
#         [0, 1],
#         [3, 4],
#         [2, 4]])

【讨论】：