【PyTorch】PyTorch中张量(Tensor)统计操作

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 复制代码
# 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:

python 复制代码
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:

python 复制代码
# 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 复制代码
# 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 复制代码
# 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):

python 复制代码
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 *** ** * ** *** ```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

相关推荐
KKKlucifer13 分钟前
当AI遇上防火墙:新一代智能安全解决方案全景解析
人工智能
程序员的世界你不懂17 分钟前
Appium+python自动化(十)- 元素定位
python·appium·自动化
DisonTangor1 小时前
【小红书拥抱开源】小红书开源大规模混合专家模型——dots.llm1
人工智能·计算机视觉·开源·aigc
CryptoPP1 小时前
使用WebSocket实时获取印度股票数据源(无调用次数限制)实战
后端·python·websocket·网络协议·区块链
树叶@1 小时前
Python数据分析7
开发语言·python
老胖闲聊2 小时前
Python Rio 【图像处理】库简介
开发语言·图像处理·python
码界奇点2 小时前
Python Flask文件处理与异常处理实战指南
开发语言·python·自然语言处理·flask·python3.11
浠寒AI2 小时前
智能体模式篇(上)- 深入 ReAct:LangGraph构建能自主思考与行动的 AI
人工智能·python
weixin_505154463 小时前
数字孪生在建设智慧城市中可以起到哪些作用或帮助?
大数据·人工智能·智慧城市·数字孪生·数据可视化
Best_Me073 小时前
深度学习模块缝合
人工智能·深度学习