PyTorch C++(LibTorch)如何实现张量多维度切片？

两种实现方式 #

你的Python切片操作是保留第0、3维度的全部元素，对第1、2维度做范围截取，对应LibTorch有两种直观实现方式：

方式1：使用Tensor::slice()方法

slice()的参数为slice(dim, start, end, step)，其中step默认是1。对于需要保留全部元素的维度，只需指定start=0、end=tensor.size(dim)即可对应Python的:。实际可以简化为只对需要切片的维度调用slice()，其他维度自动保留：

// 假设h_offset、w_offset、fineSize已定义为整数
auto sliced_tensor = tensor_input
    .slice(1, h_offset, h_offset + fineSize)  // 处理第1维度（高度）
    .slice(2, w_offset, w_offset + fineSize); // 处理第2维度（宽度）

不需要对第0、3维度调用slice()，因为这两个维度的元素会被完整保留。

方式2：使用索引语法（更贴近Python写法）

通过torch::indexing::Slice可以实现和Python完全一致的索引风格，需要先引入命名空间：

#include <torch/torch.h>
using namespace torch::indexing;

auto sliced_tensor = tensor_input.index({
    Slice(),  // 第0维度：对应Python的:
    Slice(h_offset, h_offset + fineSize),  // 第1维度
    Slice(w_offset, w_offset + fineSize),  // 第2维度
    Slice()   // 第3维度：对应Python的:
});

这种写法可读性更强，和Python代码逻辑完全对齐。

切片的内存机制与效率 #

LibTorch的切片操作（无论是slice()还是index()的Slice）默认创建的是原张量的视图，不会拷贝内存，所有切片后的张量共享原张量的内存空间，因此几乎没有额外的性能开销，效率极高。

需要注意：你通过torch::from_blob创建的张量本身就共享OpenCV cv::Mat的内存，所以切片后的张量依然和原cv::Mat共享内存，必须保证原cv::Mat在切片张量的生命周期内不被销毁，否则会出现悬空指针问题。如果需要独立的内存，可以调用sliced_tensor.clone()主动拷贝数据。

内容的提问来源于stack exchange，提问作者rbaleksandar