torch.meshgrid

torch.meshgrid(*tensors, indexing=None)

根据 attr:tensors 中的 1D 输入创建坐标网格。

这有助于您在某个输入范围内可视化数据。下面是一个绘图示例。

给定 $N$ 1D 张量 $T_0 \ldots T_{N-1}$ 及其对应的大小 $S_0 \ldots S_{N-1}$ ，这将创建 $N$ N 维张量 $G_0 \ldots G_{N-1}$ ，每个张量的形状为 $(S_0, ..., S_{N-1})$ ，输出 $G_i$ 通过将 $T_i$ 扩展到结果形状来构建。

注意

0D 输入与单个元素的 1D 输入等效处理。

警告

torch.meshgrid(*tensors) 当前行为与调用 numpy.meshgrid(*arrays, indexing='ij') 相同。

未来 torch.meshgrid 将过渡到默认的 indexing='xy'。

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

参见

torch.cartesian_prod() 具有相同的效果，但它将数据收集到向量的张量中。

参数:

• 张量（Tensor 列表）- 标量或一维张量的列表。标量将被自动视为大小为 $(1,)$ 的张量。

• 索引（可选[str]）-

  (str, 可选): 索引模式，可以是“xy”或“ij”，默认为“ij”。有关未来更改的警告请参阅说明。

  如果选择“xy”，则第一个维度对应第二个输入的基数，第二个维度对应第一个输入的基数。

  如果选择“ij”，则维度顺序与输入的基数相同。

返回值:

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

返回类型:

张量序列

示例：

>>> 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()