【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

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：
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 复制代码
# 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 复制代码
# 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 复制代码
# 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 复制代码
# 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 复制代码
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