torch.meshgrid

torch.meshgrid(*tensors, indexing=None)

创建由attr:tensors中的一维输入指定的坐标网格。

当你想要在某个输入范围内可视化数据时，这非常有用。请参见下面的绘图示例。

给定 $N$ 个一维张量 $T_0 \ldots T_{N-1}$ 作为 输入，其对应的大小为 $S_0 \ldots S_{N-1}$， 这将创建 $N$ 个N维张量 $G_0 \ldots G_{N-1}$，每个张量的形状为 $(S_0, ..., S_{N-1})$，其中 输出 $G_i$ 是通过扩展 $T_i$ 到结果形状构建的。

注意

0D 输入被视为与包含单个元素的 1D 输入等效。

警告

torch.meshgrid(*tensors) 目前具有与调用 numpy.meshgrid(*arrays, indexing=’ij’) 相同的行为。

在未来，torch.meshgrid 将默认转换为 indexing=’xy’。

https://github.com/pytorch/pytorch/issues/50276 跟踪此问题，目标是迁移到NumPy的行为。

另请参阅

torch.cartesian_prod() 具有相同的效果，但它将数据收集在一个向量张量中。

Parameters

• 张量 (列表 的 张量) – 标量或一维张量的列表。标量将被视为大小为 $(1,)$ 的张量自动处理

• 索引 (可选[字符串]) –

  (字符串, 可选): 索引模式，可以是“xy”或“ij”，默认为“ij”。请参阅未来更改的警告。

  如果选择“xy”，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”，维度与输入的基数顺序相同。

Returns

如果输入有 $N$ 个大小为 $S_0 \ldots S_{N-1}$，那么输出也将有 $N$ 个张量，其中每个张量的形状为 $(S_0, ..., S_{N-1})$。

Return type

seq (张量的序列)

示例：

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

观察网格上的元素对，(1, 4),
(1, 5), ..., (3, 6)。这与笛卡尔积相同。
>>> 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]])

当这些网格被正确堆叠时，可以看到这种对应关系。
>>> torch.equal(torch.cat(tuple(torch.dstack([grid_x, grid_y]))),
...             torch.cartesian_prod(x, y))
True

`torch.meshgrid` 通常用于生成网格以进行绘图。
>>> 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())
>>> plt.show()