Python PyTorch meshgrid用法及代码示例

本文简要介绍python语言中 torch.meshgrid 的用法。

用法:

torch.meshgrid(*tensors, indexing=None)

参数：

• tensors(张量列表) -标量或一维张量列表。标量将自动被视为大小为 (1,) 的张量

• indexing-

  (str，可选)：索引模式，“xy” 或“ij”，默认为“ij”。请参阅警告以了解未来的变化。

  如果选择“xy”，则第一个维度对应于第二个输入的基数，第二个维度对应于第一个输入的基数。

  如果选择“ij”，则维度的顺序与输入的基数相同。

返回：

如果输入具有大小为 S_0 \ldots S_{N-1} 的 N 张量，则输出也将具有 N 张量，其中每个张量的形状为 (S_0, ..., S_{N-1}) 。

返回类型：

seq(张量序列)

创建由attr :tensors 中的一维输入指定的坐标网格。

当您想要在某个输入范围内可视化数据时，这很有帮助。请参阅下面的绘图示例。

给定 N 1D 张量 T_0 \ldots T_{N-1} 作为具有相应大小的输入 S_0 \ldots S_{N-1} ，这将创建 N N 维张量 G_0 \ldots G_{N-1} ，每个具有形状 (S_0, ..., S_{N-1}) ，其中输出 G_i 是通过扩展 T_i 构造的到结果形状。

注意

0D 输入等同于单个元素的 1D 输入。

警告

torch.meshgrid(*tensors) 当前与调用 numpy.meshgrid(*arrays, indexing=’ij’) 具有相同的行为。

将来 torch.meshgrid 将转换为 indexing=’xy’ 作为默认值。

https://github.com/pytorch/pytorch/issues/50276 tracks this issue with the goal of migrating to NumPy’s behavior.

例子：

>>> x = torch.tensor([1, 2, 3])
>>> y = torch.tensor([4, 5, 6])

Observe the element-wise pairings across the grid, (1, 4),
(1, 5), ..., (3, 6). This is the same thing as the
cartesian product.
>>> grid_x, grid_y = torch.meshgrid(x, y, indexing='ij')
>>> grid_x
tensor([[1, 1, 1],
        [2, 2, 2],
        [3, 3, 3]])
>>> grid_y
tensor([[4, 5, 6],
        [4, 5, 6],
        [4, 5, 6]])

This correspondence can be seen when these grids are
stacked properly.
>>> torch.equal(torch.cat(tuple(torch.dstack([grid_x, grid_y]))),
...             torch.cartesian_prod(x, y))
True

`torch.meshgrid` is commonly used to produce a grid for
plotting.
>>> import matplotlib.pyplot as plt
>>> xs = torch.linspace(-5, 5, steps=100)
>>> ys = torch.linspace(-5, 5, steps=100)
>>> x, y = torch.meshgrid(xs, ys, indexing='xy')
>>> z = torch.sin(torch.sqrt(x * x + y * y))
>>> ax = plt.axes(projection='3d')
>>> ax.plot_surface(x.numpy(), y.numpy(), z.numpy())
<mpl_toolkits.mplot3d.art3d.Poly3DCollection object at 0x7f8f30d40100>
>>> plt.show()