torch.nonzero¶

torch.nonzero(input, *, out=None, as_tuple=False) → LongTensor or tuple of LongTensors¶

注意

torch.nonzero(..., as_tuple=False)（默认）返回一个2维张量，其中每一行是每个非零值的索引。

torch.nonzero(..., as_tuple=True) 返回一个包含1维索引张量的元组，允许进行高级索引，因此 x[x.nonzero(as_tuple=True)] 给出张量 x 的所有非零值。返回的元组中，每个索引张量包含某个维度的非零索引。

有关这两种行为的更多详细信息，请参见下文。

当 input 在 CUDA 上时，torch.nonzero() 会导致主机-设备同步。

当 as_tuple 为 False （默认）：

返回一个包含 input 中所有非零元素索引的张量。结果中的每一行包含 input 中一个非零元素的索引。结果按字典顺序排序，最后一个索引变化最快（C 风格）。

如果 input 有 $n$ 维，那么生成的索引张量 out 的大小为 $(z \times n)$ ，其中 $z$ 是 input 张量中非零元素的总数。

当 as_tuple 为 True:

返回一个包含1-D张量的元组，每个维度对应input中的一个维度，每个张量包含input中所有非零元素的索引（在该维度中）。

如果 input 有 $n$ 维，那么生成的元组包含 $n$ 个大小为 $z$ 的张量，其中 $z$ 是 input 张量中非零元素的总数。

作为一种特殊情况，当 input 具有零维且为非零标量值时，它被视为具有一个元素的一维张量。

Parameters: 输入 (张量) – 输入张量。
Keyword Arguments: 输出 (LongTensor, 可选) – 包含索引的输出张量
Returns: 如果 as_tuple 是 False，输出包含索引的张量。如果 as_tuple 是 True，则为每个维度输出一个1-D张量，包含沿该维度的每个非零元素的索引。
Return type: LongTensor 或 tuple of LongTensor

示例：

>>> torch.nonzero(torch.tensor([1, 1, 1, 0, 1]))
tensor([[ 0],
        [ 1],
        [ 2],
        [ 4]])
>>> torch.nonzero(torch.tensor([[0.6, 0.0, 0.0, 0.0],
...                             [0.0, 0.4, 0.0, 0.0],
...                             [0.0, 0.0, 1.2, 0.0],
...                             [0.0, 0.0, 0.0,-0.4]]))
tensor([[ 0,  0],
        [ 1,  1],
        [ 2,  2],
        [ 3,  3]])
>>> torch.nonzero(torch.tensor([1, 1, 1, 0, 1]), as_tuple=True)
(tensor([0, 1, 2, 4]),)
>>> torch.nonzero(torch.tensor([[0.6, 0.0, 0.0, 0.0],
...                             [0.0, 0.4, 0.0, 0.0],
...                             [0.0, 0.0, 1.2, 0.0],
...                             [0.0, 0.0, 0.0,-0.4]]), as_tuple=True)
(tensor([0, 1, 2, 3]), tensor([0, 1, 2, 3]))
>>> torch.nonzero(torch.tensor(5), as_tuple=True)
(tensor([0]),)