我有一个X的多维numpy数组shape：(B, dim, H, W)我想从k中随机采样dim X维向量。
我可以从形状为msk的(B, 1, H, W)获取样本索引：
sIdx = random.sample((msk.flat>=0).nonzero()[0], k)
使用numpy的等效采样代码为：
sIdx = np.random.choice((msk.flat>=0).nonzero()[0], replace=False, size=(k,))
但是，如何根据“平坦的”采样索引
X有效地切片sIdx？也就是说，是否有一种有效的方法将
msk的随机采样与X的切片相结合？ 最佳答案
从扁平化的索引中使用np.unravel_index获取这三个轴的其余部分的相应索引，然后简单地沿这些轴索引到X以获得最终输出，就像这样-
I,J,K = np.unravel_index(sIdx, (B, H, W))
out = X[I,:,J,K]
关于python - 来自numpy ndarray的有效样本向量，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/44899609/