torch没有np.random.choice()的等价实现，参见讨论here。替代方案是使用混洗索引或随机整数进行索引。

若要执行 * 替换 *：

1.生成 n 个随机索引
1.使用这些索引为原始Tensor建立索引

pictures[torch.randint(len(pictures), (10,))]

* 无需 * 更换：

1.随机播放索引
1.取第 n 个元素

indices = torch.randperm(len(pictures))[:10]

pictures[indices]

阅读更多关于torch.randint和torch.randperm的信息。第二个代码片段的灵感来自PyTorch论坛中的post。

对于此大小的Tensor：

N, D = 386363948, 2
k = 190973
values = torch.randn(N, D)

下面的代码运行得相当快，大约需要0.2秒：

indices = torch.tensor(random.sample(range(N), k))
indices = torch.tensor(indices)
sampled_values = values[indices]

但是，使用torch.randperm将花费20秒以上的时间：

sampled_values = values[torch.randperm(N)[:k]]

torch.multinomial提供了与numpy的random.choice等效的行为（包括有/无替换的采样）：
第一个

试试看：

input_tensor = torch.randn(5, 8)
print(input_tensor)
indices = torch.LongTensor(np.random.choice(5,2, replace=False)) 
output_tensor = torch.index_select(input_tensor, 0, indices)
print(output_tensor)

一个简单的方法是使用代码从Tensor中选择一个元素。在你的情况下，你有一个大小为（1000，28，28，3）的Tensor，我们想从1000张图片中选择10张。

index = torch.randint(0,1000,(10,))
selected_pics = [pictures[i] for i in index]

正如另一个答案所提到的，torch没有choice，你可以用randint或permutation来代替：

import torch

n = 4
replace = True # Can change
choices = torch.rand(4, 3)
choices_flat = choices.view(-1)

if replace:
    index = torch.randint(choices_flat.numel(), (n,))
else:
    index = torch.randperm(choices_flat.numel())[:n]

select = choices_flat[index]