在 PyTorch 中，torch.gather() 是一个非常实用的张量操作函数，主要用于根据索引从输入张量中选择特定位置的值。它常用于注意力机制、序列处理等场景。

函数定义

torch.gather(input, dim, index) → Tensor

input：待提取数据的张量。
dim：在哪个维度上进行索引选择。
index：一个与 input 在除了 dim 维度外相同形状的张量，其值指定了从 input 中提取的索引位置。
返回值：从 input 的指定维度 dim 上根据 index 提取出的新张量。

形象理解

举个简单的例子：

示例 1：二维张量，按列（dim=1）提取

import torchinput = torch.tensor([[10, 20, 30],[40, 50, 60]])
index = torch.tensor([[2, 1, 0],[0, 1, 2]])output = torch.gather(input, dim=1, index=index)
print(output)

解释：

对于第一行：从 [10, 20, 30] 中提取位置 [2,1,0]，结果是 [30, 20, 10]
对于第二行：从 [40, 50, 60] 中提取位置 [0,1,2]，结果是 [40, 50, 60]

输出：

tensor([[30, 20, 10],[40, 50, 60]])

示例 2：按行（dim=0）提取

input = torch.tensor([[1, 2],[3, 4],[5, 6]])index = torch.tensor([[0, 1],[1, 2],[2, 0]])output = torch.gather(input, dim=0, index=index)
print(output)

解释：

每个位置从第 dim=0 维度提取对应的元素。例如：
- 第 (0,0) 位置：从 [1,3,5] 中取第 0 行，值为 1
- 第 (1,0) 位置：从 [1,3,5] 中取第 1 行，值为 3
- 第 (2,1) 位置：从 [2,4,6] 中取第 0 行，值为 2

输出：

tensor([[1, 4],[3, 6],[5, 2]])

应用场景

注意力机制中的权重选择
序列解码中的 beam search
从嵌套表示中根据索引获取嵌套内容

实战场景举例

假设有一个 batch 的 BERT 输出，想从每个句子中提取第 N 个 token（如 [CLS]、某个关键词）的表示向量。

假设数据

import torch
from transformers import BertModel, BertTokenizertokenizer = BertTokenizer.from_pretrained("bert-base-uncased")
model = BertModel.from_pretrained("bert-base-uncased")sentences = ["I love World", "Transformers are powerful"]
inputs = tokenizer(sentences, padding=True, return_tensors="pt")# 获取 BERT 输出
outputs = model(**inputs)
last_hidden_state = outputs.last_hidden_state  # (batch_size, seq_len, hidden_size)print(last_hidden_state.shape)
# torch.Size([2, 5, 768])  假设 padding 后为长度 5，hidden size 为 768

场景 1：提取每个句子的第一个 token（通常是 [CLS]）

cls_embeddings = last_hidden_state[:, 0, :]  # shape: (batch_size, hidden_size)

这个可以直接使用切片完成，不需要 gather。

场景 2：提取每个句子中指定位置的 token 表示（如“love”或“are”）

假设我们事先知道每个句子中感兴趣 token 的位置：

# 每个句子中我们想要提取的 token 索引
# 假设我们想提取第 2 个 token
token_indices = torch.tensor([2, 1])  # shape: (batch_size,)

使用 `gather` 抽取对应 token 的向量：

# last_hidden_state: (batch_size, seq_len, hidden_size)
batch_size, seq_len, hidden_size = last_hidden_state.size()# 将 token_indices 转成 index 用于 gather： shape (batch_size, 1, 1)
token_indices = token_indices.view(-1, 1, 1).expand(-1, 1, hidden_size)  # (batch_size, 1, hidden_size)# gather on dim=1（seq_len）
token_embeddings = torch.gather(last_hidden_state, dim=1, index=token_indices)  # (batch_size, 1, hidden_size)# squeeze 掉中间的维度
token_embeddings = token_embeddings.squeeze(1)  # (batch_size, hidden_size)print(token_embeddings.shape)

小结

操作需求	用法
取所有句子的第一个 token	`output[:, 0, :]`
取所有句子的第 `N` 个 token	`output[:, N, :]`
取每个句子的指定 token（不同位置）	`torch.gather()`（如上所示）