기본 인덱싱

인덱싱이란?

인덱싱(indexing) 은 텐서의 특정 위치에 있는 원소나 부분 텐서를 선택하는 연산입니다. PyTorch는 NumPy와 거의 동일한 인덱싱 문법을 지원하므로, NumPy에 익숙하다면 바로 활용할 수 있습니다.

1D 텐서 인덱싱

import torch

v = torch.tensor([10, 20, 30, 40, 50])

# 양수 인덱싱 (0부터 시작)
print(v[0])   # tensor(10)
print(v[2])   # tensor(30)
print(v[4])   # tensor(50)

# 인덱스 범위 초과 시 오류
# v[5]  # IndexError: index 5 is out of bounds for dimension 0 with size 5

결과는 스칼라 텐서입니다. 파이썬 정수로 변환하려면 .item() 을 사용합니다.

val = v[2]
print(type(val))   # <class 'torch.Tensor'>
print(val.item())  # 30  (파이썬 int)

음수 인덱싱

음수 인덱스는 끝에서부터 셉니다. -1 이 마지막 원소입니다.

import torch

v = torch.tensor([10, 20, 30, 40, 50])

print(v[-1])  # tensor(50)  ← 마지막
print(v[-2])  # tensor(40)  ← 끝에서 두 번째
print(v[-5])  # tensor(10)  ← 첫 번째 (v[0]과 동일)

인덱스:   0    1    2    3    4
         [10,  20,  30,  40,  50]
음수:    -5   -4   -3   -2   -1

2D 텐서 인덱싱

2D 텐서에서 tensor[row, col] 형식으로 특정 원소에 접근합니다. 아래 시각화에서 하이라이트된 원소가 각 인덱싱 결과입니다.

m[1, 2] = 6

m[0] = 첫 번째 행

m[:, 1] = 두 번째 열

import torch

m = torch.tensor([[1, 2, 3],
                  [4, 5, 6],
                  [7, 8, 9]])

# 특정 원소 접근
print(m[0, 0])  # tensor(1)  ← 0행 0열
print(m[1, 2])  # tensor(6)  ← 1행 2열
print(m[2, 1])  # tensor(8)  ← 2행 1열
print(m[-1, -1])  # tensor(9)  ← 마지막 행, 마지막 열

# 행 전체 선택 (1D 텐서 반환)
print(m[0])      # tensor([1, 2, 3])
print(m[1])      # tensor([4, 5, 6])
print(m[-1])     # tensor([7, 8, 9])

다차원 텐서 인덱싱

3D 이상의 텐서에서도 동일한 패턴이 적용됩니다.

import torch

# shape: (배치=2, 채널=3, 높이=4, 너비=4)
t = torch.randn(2, 3, 4, 4)

# 첫 번째 배치, 두 번째 채널, 3행, 2열의 픽셀값
pixel = t[0, 1, 2, 1]
print(pixel.shape)  # torch.Size([])  ← 스칼라

# 첫 번째 배치의 모든 채널
batch0 = t[0]
print(batch0.shape)  # torch.Size([3, 4, 4])

# 첫 번째 배치, 두 번째 채널 전체
channel = t[0, 1]
print(channel.shape)  # torch.Size([4, 4])

인덱싱 후 차원 변화

정수 인덱싱은 해당 차원을 제거 합니다.

import torch

t = torch.randn(4, 3, 2)
print(t.shape)       # torch.Size([4, 3, 2])

print(t[0].shape)    # torch.Size([3, 2])   ← dim 0 제거
print(t[0, 1].shape) # torch.Size([2])      ← dim 0, 1 제거
print(t[0, 1, 0].shape)  # torch.Size([])  ← 스칼라

차원을 유지하고 싶다면 슬라이싱(0:1) 또는 unsqueeze() 를 사용합니다.

import torch

t = torch.randn(4, 3, 2)

# 차원 유지: 슬라이싱 사용
print(t[0:1].shape)   # torch.Size([1, 3, 2])

# 차원 유지: unsqueeze 사용
print(t[0].unsqueeze(0).shape)  # torch.Size([1, 3, 2])

NumPy 스타일 인덱싱과의 비교

기능	NumPy	PyTorch	결과
단일 원소	`a[0]`	`t[0]`	동일
다차원 원소	`a[1, 2]`	`t[1, 2]`	동일
음수 인덱스	`a[-1]`	`t[-1]`	동일
행 선택	`a[0, :]`	`t[0]`	동일
반환 타입	`np.ndarray`	`torch.Tensor`	다름
스칼라 변환	`.item()`	`.item()`	동일

import torch
import numpy as np

# NumPy와 PyTorch 인덱싱 비교
arr = np.array([[1, 2, 3], [4, 5, 6]])
ten = torch.tensor([[1, 2, 3], [4, 5, 6]])

print(arr[1, 2])   # 6  (numpy.int64)
print(ten[1, 2])   # tensor(6)
print(ten[1, 2].item())  # 6  (python int)