Python PyTorch meshgrid用法及代碼示例

本文簡要介紹python語言中 torch.meshgrid 的用法。

用法:

torch.meshgrid(*tensors, indexing=None)

參數：

• tensors(張量列表) -標量或一維張量列表。標量將自動被視為大小為 (1,) 的張量

• indexing-

  (str，可選)：索引模式，“xy” 或“ij”，默認為“ij”。請參閱警告以了解未來的變化。

  如果選擇“xy”，則第一個維度對應於第二個輸入的基數，第二個維度對應於第一個輸入的基數。

  如果選擇“ij”，則維度的順序與輸入的基數相同。

返回：

如果輸入具有大小為 S_0 \ldots S_{N-1} 的 N 張量，則輸出也將具有 N 張量，其中每個張量的形狀為 (S_0, ..., S_{N-1}) 。

返回類型：

seq(張量序列)

創建由attr :tensors 中的一維輸入指定的坐標網格。

當您想要在某個輸入範圍內可視化數據時，這很有幫助。請參閱下麵的繪圖示例。

給定 N 1D 張量 T_0 \ldots T_{N-1} 作為具有相應大小的輸入 S_0 \ldots S_{N-1} ，這將創建 N N 維張量 G_0 \ldots G_{N-1} ，每個具有形狀 (S_0, ..., S_{N-1}) ，其中輸出 G_i 是通過擴展 T_i 構造的到結果形狀。

注意

0D 輸入等同於單個元素的 1D 輸入。

警告

torch.meshgrid(*tensors) 當前與調用 numpy.meshgrid(*arrays, indexing=’ij’) 具有相同的行為。

將來 torch.meshgrid 將轉換為 indexing=’xy’ 作為默認值。

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()