学做网站论坛vip号码seo数据优化

PyTorch深度学习总结

第五章 PyTorch中张量(Tensor)统计操作

---

---

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(
values=tensor([[ 0, 1, 2, 9, 13],
[ 3, 4, 7, 12, 14],
[ 5, 6, 8, 10, 11]]),
indices=tensor([[4, 2, 3, 1, 0],
[3, 0, 4, 2, 1],
[0, 1, 2, 4, 3]]))

---

# 降序输出
print(B.sort(descending=True))

输出结果为：
torch.return_types.sort(
values=tensor([[13, 9, 2, 1, 0],
[14, 12, 7, 4, 3],
[11, 10, 8, 6, 5]]),
indices=tensor([[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(
values=tensor([[13, 9],
[14, 12],
[11, 10]]),
indices=tensor([[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, dim=0))  # 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(
values=tensor([[13, 14, 12, 11, 10],
[ 5, 9, 8, 3, 7]]),
indices=tensor([[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, dim=1))  # 与默认情况相同默认情况

输出结果为：
torch.return_types.topk(
values=tensor([[13, 9],
[14, 12],
[11, 10]]),
indices=tensor([[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(
values=tensor([1, 4, 6]),
indices=tensor([2, 0, 1]))

---

二、特殊值查询

函数	描述
torch.mean(A, dim=0)	根据指定维度计算均值
torch.sum(A, dim=0)	根据指定维度求和
torch.cumsum(A, dim=0)	根据指定维度计算累加和
torch.median(A, dim=0)	根据指定维度计算中位数
torch.cumprod(A, dim=0)	根据指定维度计算乘积
torch.std(A, dim=0)	根据指定维度计算标准差

测试函数(维度0)：

print(A)
print(A.mean(dim=0))
print(A.sum(dim=0))
print(A.cumsum(dim=0))
print(A.median(dim=0))
print(A.cumprod(dim=0))
print(A.std(dim=0))

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(
values=tensor([2., 3., 4.]),
indices=tensor([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(dim=1))
print(A.sum(dim=1))
print(A.cumsum(dim=1))
print(A.median(dim=1))
print(A.cumprod(dim=1))
print(A.std(dim=1))

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(
values=tensor([3., 6.]),
indices=tensor([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