PyTorch深度学习总结
第五章 PyTorch中张量(Tensor)统计操作
文章目录
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：
python# 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：
pythonprint(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:
python# 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：** ```python # 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(\[\[4, 2, 3, 1, 0\], \[3, 0, 4, 2, 1\], \[0, 1, 2, 4, 3\]\])) *** ** * ** *** ```python # 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()：
python# 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(\[\[0, 1\], \[1, 2\], \[3, 4\]\])) *** ** * ** *** ```python # 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 *** ** * ** *** ```python # 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()：
python# 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)：
pythonprint(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 *** ** * ** *** ```python 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