a = torch.rand(4,3,28,28) # 4张图片,3通道,高度28,宽度28
a[0].shape # torch.Size([3, 28, 28]) 表示第0张图片的shape是3通道,高度28,宽度28
a[0,0].shape # torch.Size([28, 28]) 表示第0张图片第0个通道的shape
a[0,0,2,4].shape # tensor(0.5649) 表示第0张图片第0个通道第2行第4列的值是0.5649
a[:2].shape # torch.Size([2, 3, 28, 28]) 表示取第0个和第1个图片的shape
a[:2,:1,:,:].shape # torch.Size([2, 2, 28, 28]) 表示前2个图片,第1个通道上的shape
a[:2,1:,:,:].shape # torch.Size([2, 2, 28, 28]) 表示前2个图片,第1个通道之后的shape
a[:2,-1:,:,:].shape # torch.Size([2, 1, 28, 28]) 表示前2个图片,第最后1个通道之后的shape
a[:,:,0:28:2,0:28:2].shape # torch.Size([4, 3, 14, 14]) 每隔2个数据进行采样。
a.index_select(0,torch.tensor([0,2])).shape # torch.Size([2, 3, 28, 28]) 在第0个维度上进行采集第0个图片和第2个图片。
a.index_select(1,torch.tensor([1,2])).shape # torch.Size([4, 2, 28, 28]) 在第1个维度上进行采集第2个通道和第3个通道
a.index_select(2,torch.arange(28)).shape # torch.Size([4, 3, 28, 28]) 在第2个维度上选取所有的行
a[...].shape # torch.Size([4, 3, 28, 28])表示获取所有的维度。
a[0,...].shape # torch.Size([3, 28, 28])