torch.meshgrid

torch.meshgrid(*tensors, indexing=None)

根據 attr:tensors 中一維輸入指定的座標，建立網格。

當您想要將資料視覺化在某些輸入範圍內時，這很有用。請參閱下方的繪圖範例。

給定 $N$ 個 1D 張量 $T_0 \ldots T_{N-1}$ 作為輸入，且對應的大小為 $S_0 \ldots S_{N-1}$，這會建立 $N$ 個 N 維張量 $G_0 \ldots G_{N-1}$，每個的形狀為 $(S_0, ..., S_{N-1})$，其中輸出 $G_i$ 是透過擴展 $T_i$ 到結果形狀來建構的。

注意

0D 輸入被視為等同於單一元素的 1D 輸入。

警告

torch.meshgrid(*tensors) 目前具有與呼叫 numpy.meshgrid(*arrays, indexing=’ij’) 相同的行為。

未來 torch.meshgrid 將轉換為預設使用 indexing=’xy’。

https://github.com/pytorch/pytorch/issues/50276 追蹤此問題，目標是遷移到 NumPy 的行為。

另請參閱

torch.cartesian_prod() 具有相同的效果，但它將資料收集在向量的張量中。

參數

• tensors (張量) (list of Tensor (張量)) – 純量或一維張量的列表。純量會自動被視為大小為 $(1,)$ 的張量。

• indexing (索引) (Optional (可選的)[str]) –

  (str, optional (可選的)): 索引模式，可以是 "xy" 或 "ij"，預設為 "ij"。 請注意未來變更的警告。

  如果選擇 "xy"，則第一維對應於第二個輸入的基數 (cardinality)，而第二維對應於第一個輸入的基數。

  如果選擇 "ij"，則維度與輸入的基數順序相同。

Returns (返回值)

如果輸入具有 $N$ 個大小為 $S_0 \ldots S_{N-1}$ 的張量，則輸出也將具有 $N$ 個張量，其中每個張量的形狀為 $(S_0, ..., S_{N-1})$。

Return type (返回值類型)

seq (sequence of Tensors) (Tensors 序列)

Example (範例)

>>> 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()