torch.meshgrid

torch.meshgrid(*tensors, indexing=None) [source]

Создаёт сетки координат, задаваемые одномерными входными данными в attr:тензорах.

Это полезно, когда вы хотите визуализировать данные по определённому диапазону входных данных. Пример с построением графика показан ниже.

Даны $N$ одномерных тензоров $T_0 \ldots T_{N-1}$ в качестве входных данных с соответствующими размерами $S_0 \ldots S_{N-1}$, это создаёт $N$ N-мерных тензоров $G_0 \ldots G_{N-1}$, каждый с формой $(S_0, ..., S_{N-1})$, где выходной $G_i$ построен путём расширения $T_i$ до формы результата.

Примечание

Входы размерности 0 обрабатываются аналогично одномерным входам с единственным элементом.

Предупреждение

torch.meshgrid(*tensors) в настоящее время имеет такое же поведение, как вызов numpy.meshgrid(*arrays, indexing=’ij’).

В будущем torch.meshgrid перейдёт к indexing=’xy’ по умолчанию.

https://github.com/pytorch/pytorch/issues/50276 отслеживает эту проблему с целью миграции к поведению NumPy.

См. также

torch.cartesian_prod() имеет тот же эффект, но собирает данные в тензор векторов.

Parameters

• tensors (list of Tensor) – список скаляров или одномерных тензоров. Скаляры будут автоматически обрабатываться как тензоры размера $(1,)$

• indexing (Optional[str]) –

  (str, optional): режим индексирования, либо “xy”, либо “ij”, по умолчанию “ij”. См. предупреждение об изменениях в будущем.

  Если выбран “xy”, первая размерность соответствует мощности второго входа, а вторая размерность — мощности первого входа.

  Если выбран “ij”, размерности располагаются в том же порядке, что и мощность входов.

Returns

Если вход имеет $N$ тензоров размера $S_0 \ldots S_{N-1}$, то выход также будет иметь $N$ тензоров, где каждый тензор имеет форму $(S_0, ..., S_{N-1})$.

Return type

seq (последовательность тензоров)

Пример:

>>> 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())
>>> plt.show()