torch.searchsorted

torch.searchsorted(sorted_sequence, values, *, out_int32=False, right=False, side=None, out=None, sorter=None) → Tensor

从 sorted_sequence 的最内层维度中查找索引，以便如果将 values 中对应的值插入到索引之前（排序后），则会保留 sorted_sequence 中相应最内层维度的顺序。返回与 values 大小相同的新张量。更正式地说，返回的索引满足以下规则

sorted_sequence	right	返回的索引满足
1-D	False	sorted_sequence[i-1] < values[m][n]...[l][x] <= sorted_sequence[i]
1-D	True	sorted_sequence[i-1] <= values[m][n]...[l][x] < sorted_sequence[i]
N-D	False	sorted_sequence[m][n]...[l][i-1] < values[m][n]...[l][x] <= sorted_sequence[m][n]...[l][i]
N-D	True	sorted_sequence[m][n]...[l][i-1] <= values[m][n]...[l][x] < sorted_sequence[m][n]...[l][i]

参数

• sorted_sequence (Tensor) – N 维或 1 维张量，除非提供 sorter，否则在最内层维度上包含单调递增序列；如果提供 sorter，则序列不需要排序

• values (Tensor 或 标量) – N 维张量或包含搜索值的一个标量。

关键字参数

• out_int32 (bool, 可选) – 指示输出数据类型。如果为 True，则为 torch.int32，否则为 torch.int64。默认值为 False，即默认输出数据类型为 torch.int64。

• right (bool, 可选) – 如果为 False，则返回找到的第一个合适位置。如果为 True，则返回最后一个此类索引。如果未找到合适的索引，则对于非数值（例如 nan、inf）返回 0，或者对于 sorted_sequence 内的最内层维度的大小（超出最内层维度的最后一个索引一个位置）。换句话说，如果为 False，则获取 sorted_sequence 的对应最内层维度上 values 中每个值的下界索引。如果为 True，则改为获取上界索引。默认值为 False。side 的作用相同，并且是首选。如果 side 设置为“left”而此项为 True，则会报错。

• side (str, 可选) – 与 right 相同，但为首选。“left” 对应于 right 的 False，“right” 对应于 right 的 True。如果此项设置为“left”而 right 为 True，则会报错。默认值为 None。

• out (Tensor, 可选) – 输出张量，如果提供，则必须与 values 大小相同。

• sorter (LongTensor, 可选) – 如果提供，则为与未排序的 sorted_sequence 形状匹配的张量，其中包含按最内层维度升序对其进行排序的索引序列

示例

>>> sorted_sequence = torch.tensor([[1, 3, 5, 7, 9], [2, 4, 6, 8, 10]])
>>> sorted_sequence
tensor([[ 1,  3,  5,  7,  9],
        [ 2,  4,  6,  8, 10]])
>>> values = torch.tensor([[3, 6, 9], [3, 6, 9]])
>>> values
tensor([[3, 6, 9],
        [3, 6, 9]])
>>> torch.searchsorted(sorted_sequence, values)
tensor([[1, 3, 4],
        [1, 2, 4]])
>>> torch.searchsorted(sorted_sequence, values, side='right')
tensor([[2, 3, 5],
        [1, 3, 4]])

>>> sorted_sequence_1d = torch.tensor([1, 3, 5, 7, 9])
>>> sorted_sequence_1d
tensor([1, 3, 5, 7, 9])
>>> torch.searchsorted(sorted_sequence_1d, values)
tensor([[1, 3, 4],
        [1, 3, 4]])