可以参照其他两篇博客： pytorch_tensor python基础之一_集合数据类型

一 python、numpy、pytorch中多维数组操作

总结：

python中无法直接对多维数组切片；numpy、pytorch可以；numpy、pytorch中数组切片操作相同；

1.1 tensor、ndarray、list的区别

tensor、ndarray、list的什么区别，为什要有这么多类似的结构？

list是python中的数据结构，ndarray是numpy包中的数据结构，tensor是torch包中的数据结构 list表示集合（容器）、ndarray表示矩阵、tensor表示张量；ndarray和tensor区别不大，tensor可以看做是ndarray的改进版，专门为了使用GPU加速计算。tensor可用GPU加速，ndarray不能。其他的API类似，总得来说都是为了表示矩阵，ndarray是只能在CPU上运算的矩阵，tensor是在CPU、GPU上都能运算的矩阵。 与此特性相对应，tensor主要是为了在需要GPU计算的场合使用，也就是模型要训练的参数。而ndarray则是在与除此之外的场合使用，例如：数据预处理。 那能够用tensor代替ndarray吗？至少在自己写的代码中是可以的，tensor可以当做ndarray使用。但是，很多与数据处理相关的第三方包返回的都是ndarray。另外，感觉ndarray对比tensor是一种更基本的数据结构，除了深度学习以外还有很多其他科学计算任务中，在这些任务中显然也需要矩阵，他们里面应该都是使用的ndarray。ndarry和list区别很大，ndarray是数学中矩阵在python中的表示，因此严格符合矩阵的各种约束，而list只是表示一个容器，其结构宽松得多。例如，矩阵形状肯定是符合 X*Y这种格式的，因此各分量长度自然相等，而且各分量类型自然相同。list中就没有这种要求，list的各分量类型和长度都可以不同，list自然也没有shape这种概念。 二者的类似之处，只在于有相同的访问方式，都能通过下标访问。 另外，ndarray既然表示一个矩阵，也就要求形状是固定的，且是一开始就定好的。

1.2 实现

ls1=[[1,2,3],[4,5,6]] ls2=np.array(ls) ls3=torch.tensor(ls2) 输出1：--------------------- print(ls[:,2]) print(ls2[:,2]) print(ls3[:,2]) 输出2：--------------------- print(ls1[...]) print(ls2[...]) print(ls3[...]) 输出1：--------------------- Error： TypeError: list indices must be integers or slices, not tuple [3,6] tensor([3,6]) 输出2：--------------------- Error: TypeError: list indices must be integers or slices, not ellipsis [[1 2 3] [4 5 6]] tensor([[1, 2, 3], [4, 5, 6]])

https://www.runoob.com/numpy/numpy-array-manipulation.html https://blog.csdn.net/Babyfatliang/article/details/87721282

二 numpy高维数组切片和省略号

高维数组切片： https://www.cnblogs.com/mengxiaoleng/p/11616869.html 数组中的省略号： https://blog.csdn.net/weixin_41637329/article/details/88362345 https://blog.csdn.net/qq_33363973/article/details/79894982

出于对“三维数组的[…,2]是二维”这一现象的不理解，进行以下试验：

a=np.array([[[1,2,12],[3,4,34]],[[5,6,56],[7,8,78]]]) print(a.shape) print(a[:,1,:]) print(a[:,:,1]) print(a[...,1:2]) print(a[...,1]) 输出1：--------------------- (2, 2, 3) 输出2：--------------------- [[ 3 4 34] [ 7 8 78]] 输出3：--------------------- [[2 4] [6 8]] 输出4：--------------------- [[[2] [4]] [[6] [8]]] 输出5：--------------------- [[2 4] [6 8]]

结果分析： 1.由输出2和3可以发现：高维数组中用单个数字索引时，结果中该维度长度为1，且结果被squeeze； 2.由输出3和4可以发现：高维数组中用范围索引时，即使结果中该维度长度为1，结果也不会别squeeze； 3.由输出3和5可以发现：省略号就是一个占位符，表示前面的维度全范围。

注意： 回过头来看，结论1和2多余甚至有谬误，起因是对高维矩阵无法直观认识。 数组用单个数字索引访问时，是取元素，返回的是元素值，在这一级上并不是数组，自然不带外层的中括号，也就是访问元素必然导致维度降低一级。而用索引返回访问时，是取数组的切片，返回的是数组，取切片不会导致维度下降。其实，这就是“1”和“[1]”的区别，只不过在高维数组中不像二维中那么直观。

ls=[1,2,3] print(ls[1]) print(ls[1:2]) 输出1：--------------------- 2 输出1：--------------------- [2] a=np.array([[[1,2,12],[3,4,34]],[[5,6,56],[7,8,78]]]) print(a[0]) print(a[0,:,:]) 输出1：--------------------- [[ 1 2 12] [ 3 4 34]] 输出2：--------------------- [[ 1 2 12] [ 3 4 34]] 如上，操作二维数组或者高维数组的第一维，结果就很直观

三 axis轴的索引

http://30daydo.com/article/467

四 二维数组取元素

https://blog.csdn.net/lwgkzl/article/details/79136053