前端自己做博客网站,dw网页设计模板100套,济南网站推广￥做下拉去118cr,ueditor html 转 wordpressPyTorch深度学习总结
第五章 PyTorch中张量(Tensor)统计操作 文章目录 PyTorch深度学习总结前言一、最值查找二、特殊值查询 前言
上文介绍了PyTorch中张量(Tensor)的计算操作#xff0c;本文将介绍张量的统计操作。 一、最值查找
函数描述torch.max()找出张量中的最大值to…PyTorch深度学习总结
第五章 PyTorch中张量(Tensor)统计操作 文章目录 PyTorch深度学习总结前言一、最值查找二、特殊值查询 前言
上文介绍了PyTorch中张量(Tensor)的计算操作本文将介绍张量的统计操作。 一、最值查找
函数描述torch.max()找出张量中的最大值torch.argmax()输出最大值所在位置torch.min()找出张量中的最小值torch.argmin()输出最小值所在位置torch.sort()对一维张量或多维(每个维度单独)进行排序torch.topk(A, k)根据指定值k计算出张量A取值为前k大的值并显示所在位置torch.kthvalue(A, k)根据指定值k计算出张量A取值为第k小的值并显示所在位置 创建张量 # 引入库
import torch# 创建张量A
A torch.arange(2., 8.).reshape(2,3)
print(A)输出结果为tensor([[2, 3, 4], [5, 6, 7]]) 测试函数 print(A.max())
print(A.argmax())
print(A.min())
print(A.argmin())输出结果为(含注释) tensor(7.) tensor(5) # 0-5的最后一位 tensor(2.) tensor(0) # 0-5的第一位 torch.sort() 创建随机张量B: # 创建随机张量B
B torch.randperm(15).reshape(3, 5) # torch.randperm(n)可以生成有n个0-10之间整数组成的张量
print(B)输出结果为 tensor( [[13, 9, 1, 2, 0], [ 4, 14, 12, 3, 7], [ 5, 6, 8, 11, 10]]) 对张量B进行排序 # 升序输出
print(B.sort()) # 分别输出排序后的值以及该值在原索引中不同维度的位置(列数)输出结果为 torch.return_types.sort( valuestensor([[ 0, 1, 2, 9, 13], [ 3, 4, 7, 12, 14], [ 5, 6, 8, 10, 11]]), indicestensor([[4, 2, 3, 1, 0], [3, 0, 4, 2, 1], [0, 1, 2, 4, 3]])) # 降序输出
print(B.sort(descendingTrue))输出结果为 torch.return_types.sort( valuestensor([[13, 9, 2, 1, 0], [14, 12, 7, 4, 3], [11, 10, 8, 6, 5]]), indicestensor([[0, 1, 3, 2, 4], [1, 2, 4, 0, 3], [3, 4, 2, 1, 0]])) 测试函数torch.topk() # 选取每个维度最大和次大的值及其位置
print(B.topk(2))输出结果为 torch.return_types.topk( valuestensor([[13, 9], [14, 12], [11, 10]]), indicestensor([[0, 1], [1, 2], [3, 4]])) # 选取2-dim维度前2大的值及其位置
print(B)
print(B.topk(2, dim0)) # 每列最大的两个值输出结果为(含注释) tensor([[13, 9, 1, 2, 0], [ 4, 14, 12, 3, 7], [ 5, 6, 8, 11, 10]]) torch.return_types.topk( valuestensor([[13, 14, 12, 11, 10], [ 5, 9, 8, 3, 7]]), indicestensor([[0, 1, 1, 2, 2], [2, 0, 2, 1, 1]])) # indices表示对应元素的行数 # 选取2-dim最大和次大的值及其位置
print(B.topk(2, dim1)) # 与默认情况相同默认情况输出结果为 torch.return_types.topk( valuestensor([[13, 9], [14, 12], [11, 10]]), indicestensor([[0, 1], [1, 2], [3, 4]])) 测试函数torch.kthvalue() # 选取每个维度第2小的值及其位置
print(B)
print(B.kthvalue(2))输出结果为 tensor([[13, 9, 1, 2, 0], [ 4, 14, 12, 3, 7], [ 5, 6, 8, 11, 10]]) torch.return_types.kthvalue( valuestensor([1, 4, 6]), indicestensor([2, 0, 1])) 二、特殊值查询
函数描述torch.mean(A, dim0)根据指定维度计算均值torch.sum(A, dim0)根据指定维度求和torch.cumsum(A, dim0)根据指定维度计算累加和torch.median(A, dim0)根据指定维度计算中位数torch.cumprod(A, dim0)根据指定维度计算乘积torch.std(A, dim0)根据指定维度计算标准差 测试函数(维度0) print(A)
print(A.mean(dim0))
print(A.sum(dim0))
print(A.cumsum(dim0))
print(A.median(dim0))
print(A.cumprod(dim0))
print(A.std(dim0))输出结果为(含注释) tensor([[2., 3., 4.], [5., 6., 7.]]) # 张量A tensor([3.5000, 4.5000, 5.5000]) # 每列均值 tensor([ 7., 9., 11.]) # 每列求和 tensor([[ 2., 3., 4.], [ 7., 9., 11.]]) # 每列累加求和 torch.return_types.median( valuestensor([2., 3., 4.]), indicestensor([0, 0, 0])) # 每列中位数及索引 tensor([[ 2., 3., 4.], [10., 18., 28.]]) # 每列累乘 tensor([2.1213, 2.1213, 2.1213]) # 每列标准差 print(A)
print(A.mean(dim1))
print(A.sum(dim1))
print(A.cumsum(dim1))
print(A.median(dim1))
print(A.cumprod(dim1))
print(A.std(dim1))输出结果为(含注释) tensor([[2., 3., 4.], [5., 6., 7.]]) # 张量A tensor([3., 6.]) # 每行均值 tensor([ 9., 18.]) # 每行求和 tensor([[ 2., 5., 9.], [ 5., 11., 18.]]) # 按行逐个累加 torch.return_types.median( valuestensor([3., 6.]), indicestensor([1, 1])) # 每行中位数 tensor([[ 2., 6., 24.], [ 5., 30., 210.]]) # 按行逐个累乘 tensor([1., 1.]) # 每行标准差
