PyTorch 张量核心操作——比较、排序与数据校验

文章目录

• [PyTorch 张量核心操作------比较、排序与数据校验](#PyTorch 张量核心操作——比较、排序与数据校验)
• • 一、张量比较运算：判断元素间的关系
  • • [1. 基础比较运算符](#1. 基础比较运算符)
    • [2. 比较函数：`torch.eq()` 与 `torch.ne()` 等](#2. 比较函数：torch.eq() 与 torch.ne() 等)
    • [3. 张量相等性判断 `torch.equal()`](#3. 张量相等性判断 torch.equal())
    • • [3.1 `torch.equal()` 函数原型](#3.1 torch.equal() 函数原型)
      • [3.2 核心特点：判断"整体相等性"](#3.2 核心特点：判断“整体相等性”)
      • [3.3 代码示例与结果分析](#3.3 代码示例与结果分析)
      • [3.4 与 `==` 运算符的区别](#3.4 与 == 运算符的区别)
      • [3.5 使用场景与注意事项](#3.5 使用场景与注意事项)
  • 二、排序操作：`torch.sort()`
  • • [1. 一维张量排序](#1. 一维张量排序)
    • [2. 多维张量排序（指定维度）](#2. 多维张量排序（指定维度）)
  • [三、Top-K 选取：`torch.topk()`](#三、Top-K 选取：torch.topk())
  • • [1. 一维张量的 Top-K 选取](#1. 一维张量的 Top-K 选取)
    • [2. 多维张量的 Top-K 选取（指定维度）](#2. 多维张量的 Top-K 选取（指定维度）)
  • [四、K-th 值选取：`torch.kthvalue()`](#四、K-th 值选取：torch.kthvalue())
  • • [1. 一维张量的 K-th 值](#1. 一维张量的 K-th 值)
    • [2. 多维张量的 K-th 值（指定维度）](#2. 多维张量的 K-th 值（指定维度）)
  • 五、数据合法性校验：检测异常值
  • • [1. 检测 `NaN`：`torch.isnan()`](#1. 检测 NaN：torch.isnan())
    • [2. 检测 `Inf`：`torch.isinf()`](#2. 检测 Inf：torch.isinf())
    • [3. 检测有限值：`torch.isfinite()`](#3. 检测有限值：torch.isfinite())
    • • [`torch.isfinite()` 与其他检测函数的关系](#torch.isfinite() 与其他检测函数的关系)
    • [4. 综合校验：同时检测 `NaN` 和 `Inf`](#4. 综合校验：同时检测 NaN 和 Inf)
  • 六、总结与应用场景
  • 六、总结与应用场景

PyTorch 张量核心操作------比较、排序与数据校验

在深度学习开发中，张量（Tensor）的比较、排序和数据校验是基础且高频的操作。无论是模型训练中的数据预处理，还是推理阶段的结果分析，这些操作都扮演着重要角色。本文将系统讲解 PyTorch 中与张量相关的比较运算、排序方法、Top-K 选取、K-th 值提取以及数据合法性校验，涵盖函数原型、参数详解、代码示例和结果分析，帮助初学者全面掌握这些核心技能。

一、张量比较运算：判断元素间的关系

比较运算用于判断张量元素之间的大小关系或相等性，返回与输入张量形状相同的布尔型张量（True/False）。PyTorch 提供了丰富的比较运算符和函数，支持元素级别的逐元素比较。

1. 基础比较运算符

PyTorch 支持与 Python 类似的比较运算符，包括 ==（等于）、!=（不等于）、>（大于）、<（小于）、>=（大于等于）、<=（小于等于）。这些运算符均为元素级运算，即对两个张量的对应元素逐一进行比较。

运算符特点：

• 要求两个张量形状相同或可广播（广播机制见后文补充）。
• 返回布尔型张量，True 表示满足条件，False 表示不满足。

---

运算原理：

张量的比较运算遵循 "位置对应" 原则 ：两个张量必须形状相同（或可通过广播机制扩展为相同形状），然后对相同位置的元素 逐一进行比较，最终生成一个形状相同的布尔张量（True/False）。

• "大小" 的含义 ：张量中元素的大小就是其数值大小（如 3 > 2、-1 < 0 等），与元素在张量中的位置无关。
• 布尔张量的意义 ：结果中 True 表示对应位置的元素满足比较条件，False 表示不满足。

---

运算演示：

示例：比较两个一维张量 a = [1, 3, 5, 7] 和 b = [2, 3, 4, 8]

• 步骤 1：确认张量形状

  • a 的形状：(4,)（1 维，4 个元素）

  • b 的形状：(4,)（1 维，4 个元素）

    形状相同，可直接比较（无需广播）。

• 步骤 2：逐元素比较（以 a > b 为例）

  比较逻辑：对每个索引 i（0 ≤ i < 4），判断 a[i] > b[i] 是否成立。

  • i=0 ：a[0] = 1，b[0] = 2 → 1 > 2？→ False

  • i=1 ：a[1] = 3，b[1] = 3 → 3 > 3？→ False

  • i=2 ：a[2] = 5，b[2] = 4 → 5 > 4？→ True

  • i=3 ：a[3] = 7，b[3] = 8 → 7 > 8？→ False

• 步骤 3：生成结果张量

  • 将上述判断结果按原位置组合，得到布尔张量：a > b 的结果为 [False, False, True, False]

---

代码示例：

import torch

# 定义两个形状相同的张量
a = torch.tensor([1, 3, 5, 7])
b = torch.tensor([2, 3, 4, 8])

# 比较运算
print("a == b:", a == b)  # 等于
print("a != b:", a != b)  # 不等于
print("a > b: ", a > b)   # 大于
print("a < b: ", a < b)   # 小于
print("a >= b:", a >= b)  # 大于等于
print("a <= b:", a <= b)  # 小于等于

运行结果：

a == b: tensor([False,  True, False, False])
a != b: tensor([ True, False,  True,  True])
a > b:  tensor([False, False,  True, False])
a < b:  tensor([ True, False, False,  True])
a >= b: tensor([False,  True,  True, False])
a <= b: tensor([ True,  True, False,  True])

结果分析：

• 每个运算符都对 a 和 b 的对应元素进行比较（如 a[0]=1 与 b[0]=2 比较，1 < 2 故 a < b 的第 0 位为 True）。
• 布尔张量的形状与输入张量一致（均为 (4,)），便于后续基于条件筛选元素（如 a[a > b] 可提取 a 中大于 b 对应元素的值）。

2. 比较函数：torch.eq() 与 torch.ne() 等

除运算符外，PyTorch 还提供了对应的函数形式，如 torch.eq()（等于）、torch.ne()（不等于）、torch.gt()（大于）、torch.lt()（小于）、torch.ge()（大于等于）、torch.le()（小于等于）。这些函数与运算符功能一致，但支持更灵活的参数设置（如广播）。

函数原型：

torch.eq(input, other, *, out=None) → Tensor
torch.ne(input, other, *, out=None) → Tensor
torch.gt(input, other, *, out=None) → Tensor
# 其余函数参数类似

---

参数说明：

• input：输入张量（第一个比较对象）。
• other：第二个比较对象（可以是张量或标量）。
• out（可选）：输出张量，用于存储结果（需与预期输出形状一致）。

---

代码示例（支持广播机制）：

# 形状不同但可广播的张量比较
a = torch.tensor([[1, 2, 3], [4, 5, 6]])  # 形状 (2, 3)
b = torch.tensor([3])  # 标量张量（形状 ()），可广播为 (2, 3)

# 使用函数进行比较（等价于 a < 3）
lt_result = torch.lt(a, b)  
print("a < 3 的结果:\n", lt_result)

运行结果：

a < 3 的结果:
 tensor([[ True,  True, False],
        [False, False, False]])

结果分析：

• b 是标量张量，通过广播机制自动扩展为与 a 同形状的张量 [[3, 3, 3], [3, 3, 3]]。
• torch.lt(a, b) 逐元素比较 a 和扩展后的 b，返回布尔张量（a 中元素小于 3 的位置为 True）。

比较运算的核心应用：

• 条件筛选：通过 tensor[布尔张量] 提取满足条件的元素（如 a[a > 5] 提取 a 中大于 5 的元素）。
• 掩码操作：生成掩码张量用于数据过滤或加权计算。
• 结果验证：在模型推理中判断预测结果与标签的匹配情况（如计算准确率时统计 pred == label 的数量）。

3. 张量相等性判断 torch.equal()

在 PyTorch 中，torch.equal() 是一个用于判断两个张量是否完全相等 的函数。它与我们之前讲过的元素级比较运算符（如 ==）不同，后者返回一个布尔张量，而 torch.equal() 会返回一个单一的布尔值（True 或 False），表示两个张量是否在所有元素和形状上都完全一致。

3.1 torch.equal() 函数原型

torch.equal(input1, input2) → bool

参数说明：

• input1：第一个待比较的张量。
• input2：第二个待比较的张量。

返回值：

• 布尔值（True 或 False）：如果两个张量的形状相同 且所有对应元素都相等 ，则返回 True；否则返回 False。

3.2 核心特点：判断"整体相等性"

torch.equal() 的核心是整体判断，而非元素级判断。它有两个严格条件：

1. 两个张量的形状必须完全相同；
2. 两个张量所有对应位置的元素必须完全相等。

只有同时满足这两个条件，才会返回 True。

3.3 代码示例与结果分析

示例 1：形状相同且元素全相等

import torch

a = torch.tensor([1, 2, 3])
b = torch.tensor([1, 2, 3])

print(torch.equal(a, b))  # 输出：True

分析 ：a 和 b 形状均为 (3,)，且所有元素对应相等，因此返回 True。

示例 2：形状相同但元素不全相等

a = torch.tensor([1, 2, 3])
b = torch.tensor([1, 4, 3])

print(torch.equal(a, b))  # 输出：False

分析 ：虽然形状相同，但 a[1]=2 与 b[1]=4 不相等，因此返回 False。

示例 3：形状不同（即使元素"看起来"对应）

a = torch.tensor([[1, 2], [3, 4]])  # 形状 (2, 2)
b = torch.tensor([1, 2, 3, 4])      # 形状 (4,)

print(torch.equal(a, b))  # 输出：False

分析 ：a 是 2×2 的二维张量，b 是长度为 4 的一维张量，形状不同，直接返回 False。

示例 4：浮点数的相等判断（需注意精度）

a = torch.tensor([1.0, 2.0])
b = torch.tensor([1.0 + 1e-9, 2.0])  # 第一个元素有微小差异

print(torch.equal(a, b))  # 输出：False

分析 ：浮点数由于精度问题，即使差异极小（如 1e-9），torch.equal() 也会判定为不相等。如果需要忽略微小误差，应使用 torch.allclose()（后续会介绍）。

示例 5：包含 NaN 的张量（特殊情况）

a = torch.tensor([1.0, torch.nan])
b = torch.tensor([1.0, torch.nan])

print(torch.equal(a, b))  # 输出：False

分析 ：由于 NaN 与任何值（包括自身）都不相等（数学定义），因此即使两个张量都含 NaN，torch.equal() 也会返回 False。

3.4 与 == 运算符的区别

操作	返回值类型	核心逻辑	典型用途
torch.equal(a, b)	单一布尔值（bool）	判断整体是否完全相等	验证两个张量是否完全一致
a == b	布尔张量（Tensor）	元素级比较，返回每个位置的结果	筛选特定位置的元素

对比示例：

a = torch.tensor([1, 2, 3])
b = torch.tensor([1, 4, 3])

print("a == b 的结果:", a == b)         # 元素级比较
print("torch.equal(a, b):", torch.equal(a, b))  # 整体比较

输出：

a == b 的结果: tensor([ True, False,  True])
torch.equal(a, b): False

3.5 使用场景与注意事项

场景：

1. 验证张量是否完全一致：如检查模型参数在训练前后是否发生预期变化，或验证两个计算结果是否完全相同。
2. 单元测试：在测试代码中，判断函数输出是否与预期张量完全一致。
3. 调试：排查代码中张量是否在传递过程中被意外修改（形状或元素）。

注意：

1. 形状优先 ：即使两个张量的元素"数量相同"但形状不同（如 (2,2) 和 (4,)），也会返回 False。
2. 浮点数精度 ：对浮点数张量，微小的精度误差（如数值计算中的舍入误差）会导致返回 False，此时应使用 torch.allclose() 并设置合理的误差容限（如 atol=1e-5）。
3. NaN 特殊处理 ：含 NaN 的张量几乎不可能被判定为相等，需单独处理 NaN 位置（如先通过 torch.isnan() 检测）。

总之，torch.equal() 是判断两个张量"完全一致性"的便捷工具，适合需要严格验证张量是否相同的场景。但使用时需注意形状、浮点数精度和 NaN 等特殊情况。

二、排序操作：torch.sort()

排序是将张量元素按升序或降序重新排列的操作。PyTorch 中 torch.sort() 函数不仅返回排序后的张量，还返回原元素在排序后的位置索引，这对后续分析元素来源至关重要。

函数原型：

torch.sort(input, dim=-1, descending=False, *, out=None) → (Tensor, Tensor)

---

参数说明：

• input：需要排序的输入张量。
• dim（默认 -1）：指定排序的维度（如 dim=0 按行排序，dim=1 按列排序）。
• descending（默认 False）：排序方式，False 为升序，True 为降序。
• out（可选）：元组 (sorted_tensor, indices)，用于存储输出结果。

---

返回值：

• 元组 (sorted_tensor, indices)：
  • sorted_tensor：排序后的张量，形状与输入一致。
  • indices：整数张量，记录原张量元素在排序后张量中的位置索引。

1. 一维张量排序

代码示例：

x = torch.tensor([3, 1, 4, 2, 5])

# 升序排序（默认）
sorted_x, indices = torch.sort(x)  
print("升序排序结果:", sorted_x)
print("原索引位置:", indices)

# 降序排序
sorted_x_desc, indices_desc = torch.sort(x, descending=True)  
print("降序排序结果:", sorted_x_desc)
print("原索引位置:", indices_desc)

---

运行结果：

升序排序结果: tensor([1, 2, 3, 4, 5])
原索引位置: tensor([1, 3, 0, 2, 4])
降序排序结果: tensor([5, 4, 3, 2, 1])
原索引位置: tensor([4, 2, 0, 3, 1])

---

结果分析：

• 升序排序后，sorted_x 为 [1, 2, 3, 4, 5]，indices 表示原张量中元素的位置（如 sorted_x[0] = 1 来自原张量的索引 1）。
• 降序排序通过 descending=True 实现，结果为 [5, 4, 3, 2, 1]，索引对应原元素位置。

2. 多维张量排序（指定维度）

多维张量排序需通过 dim 参数指定排序维度，不同维度的排序结果差异显著。

代码示例：

x = torch.tensor([[3, 1, 2], 
                  [6, 4, 5]])  # 形状 (2, 3)

# 按列维度（dim=1）升序排序（每行内部排序）
sorted_row, indices_row = torch.sort(x, dim=1)  
print("按行内元素排序结果:\n", sorted_row)
print("行内排序索引:\n", indices_row)

# 按行维度（dim=0）升序排序（每列内部排序）
sorted_col, indices_col = torch.sort(x, dim=0)  
print("按列内元素排序结果:\n", sorted_col)
print("列内排序索引:\n", indices_col)

---

运行结果：

按行内元素排序结果:
 tensor([[1, 2, 3],
        [4, 5, 6]])
行内排序索引:
 tensor([[1, 2, 0],
        [1, 2, 0]])
按列内元素排序结果:
 tensor([[3, 1, 2],
        [6, 4, 5]])
列内排序索引:
 tensor([[0, 0, 0],
        [1, 1, 1]])

---

结果分析：

• dim=1 表示按列维度排序（每行内部元素重新排列），第一行 [3,1,2] 排序后为 [1,2,3]，索引 [1,2,0] 对应原元素位置。
• dim=0 表示按行维度排序（每列内部元素重新排列），由于原张量列元素已按升序排列（如第一列 [3,6]），排序后结果不变，索引 [0,1] 表示原行位置。

三、Top-K 选取：torch.topk()

在很多场景中，我们不需要对整个张量排序，只需获取最大或最小的 k 个元素（如推荐系统中的 Top-N 物品）。torch.topk() 函数可高效实现这一功能，无需全量排序，计算效率更高。

函数原型：

torch.topk(input, k, dim=-1, largest=True, sorted=True, *, out=None) → (Tensor, Tensor)

---

参数说明：

• input：输入张量。
• k：需要选取的元素数量（必须满足 1 ≤ k ≤ 输入张量在指定维度的大小）。
• dim（默认 -1）：选取元素的维度。
• largest（默认 True）：选取方式，True 表示取最大的 k 个元素，False 表示取最小的 k 个元素。
• sorted（默认 True）：返回结果是否按大小排序（True 表示排序，False 表示不保证顺序）。
• out（可选）：元组 (values, indices)，用于存储输出结果。

---

返回值：

• 元组 (values, indices)：
  • values：选取的 k 个元素值。
  • indices：这些元素在原张量中的位置索引。

1. 一维张量的 Top-K 选取

代码示例：

x = torch.tensor([7, 2, 8, 1, 9, 3])

# 取最大的 3 个元素（默认）
top3_vals, top3_indices = torch.topk(x, k=3)  
print("最大的 3 个元素:", top3_vals)
print("对应原索引:", top3_indices)

# 取最小的 2 个元素（largest=False）
bottom2_vals, bottom2_indices = torch.topk(x, k=2, largest=False)  
print("最小的 2 个元素:", bottom2_vals)
print("对应原索引:", bottom2_indices)

---

运行结果：

最大的 3 个元素: tensor([9, 8, 7])
对应原索引: tensor([4, 2, 0])
最小的 2 个元素: tensor([1, 2])
对应原索引: tensor([3, 1])

---

结果分析：

• k=3 且 largest=True 时，返回最大的 3 个元素 [9,8,7]，其原索引分别为 4（x[4]=9）、2（x[2]=8）、0（x[0]=7）。
• largest=False 时，返回最小的 2 个元素 [1,2]，对应原索引 3 和 1。

2. 多维张量的 Top-K 选取（指定维度）

代码示例：

x = torch.tensor([[5, 2, 8], 
                  [3, 9, 1]])  # 形状 (2, 3)

# 对每行取最大的 2 个元素（dim=1）
row_top2_vals, row_top2_indices = torch.topk(x, k=2, dim=1)  
print("每行最大的 2 个元素:\n", row_top2_vals)
print("对应列索引:\n", row_top2_indices)

# 对每列取最小的 1 个元素（dim=0, largest=False）
col_bottom1_vals, col_bottom1_indices = torch.topk(x, k=1, dim=0, largest=False)  
print("每列最小的 1 个元素:\n", col_bottom1_vals)
print("对应行索引:\n", col_bottom1_indices)

---

运行结果：

每行最大的 2 个元素:
 tensor([[8, 5],
        [9, 3]])
对应列索引:
 tensor([[2, 0],
        [1, 0]])
每列最小的 1 个元素:
 tensor([[3],
        [2],
        [1]])
对应行索引:
 tensor([[1],
        [0],
        [1]])

---

结果分析：

• dim=1 表示按行取 Top-K，第一行 [5,2,8] 最大的 2 个元素是 8（列索引 2）和 5（列索引 0）。
• dim=0 且 largest=False 表示按列取最小元素，第一列 [5,3] 最小元素是 3（行索引 1），以此类推。

四、K-th 值选取：torch.kthvalue()

torch.kthvalue() 用于获取张量中第 k 小的元素 （按升序排列后的第 k 个元素，索引从 1 开始）。与 torch.topk() 不同，它聚焦于"特定排名"的元素，而非前 k 个元素。

函数原型：

torch.kthvalue(input, k, dim=-1, *, out=None) → (Tensor, Tensor)

---

参数说明：

• input：输入张量。
• k：第 k 小的元素（1 ≤ k ≤ 输入张量在指定维度的大小，注意 k 从 1 开始计数）。
• dim（默认 -1）：选取元素的维度。
• out（可选）：元组 (value, index)，用于存储输出结果。

---

返回值：

• 元组 (value, index)：
  • value：第 k 小的元素值。
  • index：该元素在原张量中的位置索引。

1. 一维张量的 K-th 值

代码示例：

x = torch.tensor([3, 1, 4, 2, 5])  # 升序排列后为 [1, 2, 3, 4, 5]

# 取第 3 小的元素（k=3）
k3_val, k3_idx = torch.kthvalue(x, k=3)  
print("第 3 小的元素值:", k3_val)
print("对应原索引:", k3_idx)

# 取第 1 小的元素（k=1，即最小值）
k1_val, k1_idx = torch.kthvalue(x, k=1)  
print("第 1 小的元素值（最小值）:", k1_val)

---

运行结果：

第 3 小的元素值: tensor(3)
对应原索引: tensor(0)
第 1 小的元素值（最小值）: tensor(1)

---

结果分析：

• 原张量升序排列后为 [1,2,3,4,5]，第 3 小的元素是 3，对应原张量的索引 0（x[0]=3）。
• k=1 时返回最小值 1，验证了函数的正确性。

2. 多维张量的 K-th 值（指定维度）

代码示例：

x = torch.tensor([[5, 2, 8], 
                  [3, 9, 1]])  # 形状 (2, 3)

# 对每行取第 2 小的元素（dim=1, k=2）
row_k2_val, row_k2_idx = torch.kthvalue(x, k=2, dim=1)  
print("每行第 2 小的元素值:", row_k2_val)
print("对应列索引:", row_k2_idx)

---

运行结果：

每行第 2 小的元素值: tensor([5, 3])
对应列索引: tensor([0, 0])

---

结果分析：

• 第一行 [5,2,8] 升序后为 [2,5,8]，第 2 小的元素是 5，对应原列索引 0。
• 第二行 [3,9,1] 升序后为 [1,3,9]，第 2 小的元素是 3，对应原列索引 0。

五、数据合法性校验：检测异常值

在深度学习中，张量中若存在 NaN（非数）、Inf（无穷大）等异常值，会导致模型训练发散或推理结果错误。因此，数据预处理和训练过程中需对异常值进行检测和处理。PyTorch 提供了专门的函数用于异常值检测。

1. 检测 NaN：torch.isnan()

NaN（Not a Number）通常由无效运算产生（如 0/0、sqrt(-1) 等），torch.isnan() 可标记张量中所有 NaN 元素。

函数原型：

torch.isnan(input, *, out=None) → Tensor

参数说明：

• input：输入张量（通常为浮点型）。
• out（可选）：输出布尔张量，用于存储结果。

代码示例：

x = torch.tensor([1.0, float('nan'), 3.0, torch.nan])  # 包含 NaN 的张量

# 检测 NaN
is_nan = torch.isnan(x)  
print("NaN 位置标记:", is_nan)
print("非 NaN 元素:", x[~is_nan])  # ~ 表示逻辑取反

运行结果：

NaN 位置标记: tensor([False,  True, False,  True])
非 NaN 元素: tensor([1., 3.])

结果分析：

• float('nan')（Python 原生）和 torch.nan（PyTorch 定义）均会被检测为 NaN。
• 通过 x[~is_nan] 可筛选出所有非 NaN 元素，实现数据清洗。

2. 检测 Inf：torch.isinf()

Inf（无穷大）由溢出运算产生（如 1/0），torch.isinf() 可标记所有 Inf 元素（包括正无穷 +inf 和负无穷 -inf）。

函数原型：

torch.isinf(input, *, out=None) → Tensor

代码示例：

x = torch.tensor([1.0, float('inf'), -float('inf'), 5.0])  # 包含 Inf 的张量

# 检测 Inf
is_inf = torch.isinf(x)  
print("Inf 位置标记:", is_inf)
print("非 Inf 元素:", x[~is_inf])

运行结果：

Inf 位置标记: tensor([False,  True,  True, False])
非 Inf 元素: tensor([1., 5.])

结果分析：

• 正无穷 float('inf') 和负无穷 -float('inf') 均被标记为 True。
• 筛选后仅保留正常元素 [1.0, 5.0]。

3. 检测有限值：torch.isfinite()

有限值 指的是既不是 NaN 也不是 Inf（包括正、负无穷）的正常数值（如 1.0、-3.5 等）。torch.isfinite() 函数返回一个布尔张量，其中 True 表示对应元素是有限值，False 表示元素是 NaN 或 Inf。

函数原型：

torch.isfinite(input, *, out=None) → Tensor

参数说明：

• input：输入张量（通常为浮点型）。
• out（可选）：输出布尔张量，用于存储结果。

代码示例：

x = torch.tensor([
    1.0,          # 有限值
    torch.nan,    # NaN（非有限值）
    float('inf'), # 正无穷（非有限值）
    -float('inf'),# 负无穷（非有限值）
    3.14          # 有限值
])

# 检测有限值
is_finite = torch.isfinite(x)  
print("有限值位置标记:", is_finite)
print("所有有限值元素:", x[is_finite])  # 直接筛选有限值

运行结果：

有限值位置标记: tensor([ True, False, False, False,  True])
所有有限值元素: tensor([1.0000, 3.1400])

结果分析：

• torch.isfinite(x) 直接标记出所有有限值元素（1.0 和 3.14），返回 True；对 NaN、+inf、-inf 均返回 False。

• 与 "先检测异常值再取反"（~(is_nan | is_inf)）相比，torch.isfinite() 是更简洁的方式，直接筛选有限值元素。

torch.isfinite() 与其他检测函数的关系

torch.isfinite() 的结果等价于对 torch.isnan() 和 torch.isinf() 取反的逻辑与，即：

is_finite = ~torch.isnan(x) & ~torch.isinf(x)

但 torch.isfinite() 是专门优化的函数，计算效率更高，且代码更简洁。

4. 综合校验：同时检测 NaN 和 Inf

实际应用中，通常需要同时检测 NaN 和 Inf，可通过逻辑运算符 |（或）实现。

代码示例：

x = torch.tensor([2.0, torch.nan, float('inf'), -float('inf'), 3.0])

# 同时检测 NaN 和 Inf
is_abnormal = torch.isnan(x) | torch.isinf(x)  
print("异常值位置标记:", is_abnormal)
print("正常元素:", x[~is_abnormal])

运行结果：

异常值位置标记: tensor([False,  True,  True,  True, False])
正常元素: tensor([2., 3.])

结果分析：

• torch.isnan(x) | torch.isinf(x) 标记所有 NaN 或 Inf 元素，返回布尔张量。
• 筛选后仅保留正常元素 [2.0, 3.0]，确保数据合法性。

六、总结与应用场景

操作类型	核心函数/运算符	关键功能	典型应用场景
比较运算	==/!=/torch.eq() 等	元素级关系判断（等于、大于等）	条件筛选、掩码生成、结果验证
排序	torch.sort()	按指定维度升序/降序排序，返回索引	全量排序、元素顺序分析
Top-K 选取	torch.topk()	高效获取最大/最小的 k 个元素	推荐系统、模型推理加速
K-th 值选取	torch.kthvalue()	获取第 k 小的元素	统计分析（如中位数计算）
数据校验	torch.isnan()/torch.isinf()	检测 NaN/Inf 异常值	数据预处理、训练过程异常监控

掌握这些操作后，你可以：

• 快速筛选符合条件的张量元素；
• 高效获取排序后的结果或Top-K元素，优化模型推理；
• 检测并处理异常值，保障模型训练稳定性。

保数据合法性。

六、总结与应用场景

操作类型	核心函数/运算符	关键功能	典型应用场景
比较运算	==/!=/torch.eq() 等	元素级关系判断（等于、大于等）	条件筛选、掩码生成、结果验证
排序	torch.sort()	按指定维度升序/降序排序，返回索引	全量排序、元素顺序分析
Top-K 选取	torch.topk()	高效获取最大/最小的 k 个元素	推荐系统、模型推理加速
K-th 值选取	torch.kthvalue()	获取第 k 小的元素	统计分析（如中位数计算）
数据校验	torch.isnan()/torch.isinf()	检测 NaN/Inf 异常值	数据预处理、训练过程异常监控

掌握这些操作后，你可以：

• 快速筛选符合条件的张量元素；
• 高效获取排序后的结果或Top-K元素，优化模型推理；
• 检测并处理异常值，保障模型训练稳定性。

这些操作是深度学习开发的基础工具，无论是数据预处理、模型训练还是结果分析，都离不开它们的灵活应用。建议结合实际场景多做练习，加深理解。