- 1. 范数
- 2. p范数
- 3. 常用统计属性
- 4. 高级操作
- 4.1 where
- 4.2 gather
【1】mean、sum、min、max、prod；argmin、argmax
(1) prod() 表示连乘 (2) argmax()、argmin() 不指定维度，会将张量(tensor)打平乘一个一维的tensor，返回索引； 指定维度后，根据维度返回每一行或每一列中max或min元素的索引。
【2】dim、keepdim
keepdim参数在一列tensor的形式返回所求目标统计值和对应的索引
【3】topk 和 kth
【1】topk (1) b的size是p* q* j (2) b.topk(n,dim=0) 返回的东西包括两个nqj的tensor， 第一个tensor是value 第二个tensor是indice 其他思路和max差不多 (3) b.topk(n,dim=1) 返回的东西包括两个pnj的tensor， 第一个tensor是value 第二个tensor是indice 其他思路和max差不多 (4) dim不写 默认为最大的 比如本例中就是2 (5) largest=False则返回的是最小的n个
b = torch.rand(2,3,10) #假设2个batch，每个batch3张照片，10表示每张照片依次是0~9的概率
print(b)
tensor([[[0.5304, 0.1505, 0.5322, 0.0247, 0.1890, 0.8630, 0.6212, 0.4308,
0.3447, 0.9590],
[0.7632, 0.1420, 0.7258, 0.8698, 0.6531, 0.2155, 0.8730, 0.3963,
0.1711, 0.4374],
[0.7572, 0.4117, 0.2699, 0.4153, 0.9025, 0.7338, 0.4403, 0.6043,
0.6109, 0.9631]],
[[0.5738, 0.9288, 0.2986, 0.8859, 0.2687, 0.9388, 0.4515, 0.9561,
0.9277, 0.6534],
[0.4825, 0.9142, 0.4260, 0.4814, 0.8739, 0.9296, 0.8225, 0.5581,
0.8214, 0.2455],
[0.5460, 0.6100, 0.5846, 0.7510, 0.5964, 0.4243, 0.8347, 0.7734,
0.5279, 0.5943]]])
b.topk(1,dim=2)
# 0.9590表示第一个batch的第一张照片的10个概率值中，最大的是0.9590 并
#且我们可以看到它对应的indice是9 表示这张照片是“9”的概率为0.9590
# 0.9296表示第2个batch的第2张照片的10个概率值中，最大的是0.9296 并且
# 我们可以看到它对应的indice是5 表示这张照片是“5”的概率为0.9590
torch.return_types.topk(
values=tensor([[[0.9590],
[0.8730],
[0.9631]],
[[0.9561],
[0.9296],
[0.8347]]]),
indices=tensor([[[9],
[6],
[9]],
[[7],
[5],
[6]]]))
b.topk(1)
torch.return_types.topk(
values=tensor([[[0.9590],
[0.8730],
[0.9631]],
[[0.9561],
[0.9296],
[0.8347]]]),
indices=tensor([[[9],
[6],
[9]],
[[7],
[5],
[6]]]))
【2】kthvalue kthvalue的分析思路和max带dim的分析思路一样，只是把最大换成第几大 当kthvalue的dim不写的时候，默认为最大
print(b.shape,'n') print(b) torch.Size([2, 3, 10]) tensor([[[0.5304, 0.1505, 0.5322, 0.0247, 0.1890, 0.8630, 0.6212, 0.4308, 0.3447, 0.9590], [0.7632, 0.1420, 0.7258, 0.8698, 0.6531, 0.2155, 0.8730, 0.3963, 0.1711, 0.4374], [0.7572, 0.4117, 0.2699, 0.4153, 0.9025, 0.7338, 0.4403, 0.6043, 0.6109, 0.9631]], [[0.5738, 0.9288, 0.2986, 0.8859, 0.2687, 0.9388, 0.4515, 0.9561, 0.9277, 0.6534], [0.4825, 0.9142, 0.4260, 0.4814, 0.8739, 0.9296, 0.8225, 0.5581, 0.8214, 0.2455], [0.5460, 0.6100, 0.5846, 0.7510, 0.5964, 0.4243, 0.8347, 0.7734, 0.5279, 0.5943]]]) print(b.kthvalue(2,dim=2)[0].shape,'n') print(b.kthvalue(2,dim=2)) torch.Size([2, 3]) torch.return_types.kthvalue( values=tensor([[0.1505, 0.1711, 0.4117], [0.2986, 0.4260, 0.5279]]), indices=tensor([[1, 8, 1], [2, 2, 8]]))
【4】compare
where & gather
4.1 where
官方文档
定义：
torch.gather(input, dim, index, out=None) → Tensor
Gathers values along an axis specified by dim.
For a 3-D tensor the output is specified by:
out[i][j][k] = input[index[i][j][k]][j][k] # dim=0
out[i][j][k] = input[i][index[i][j][k]][k] # dim=1
out[i][j][k] = input[i][j][index[i][j][k]] # dim=2
Parameters:
input (Tensor) – The source tensor
dim (int) – The axis along which to index
index (LongTensor) – The indices of elements to gather
out (Tensor, optional) – Destination tensor
Example:
>>> t = torch.Tensor([[1,2],[3,4]])
>>> torch.gather(t, 1, torch.LongTensor([[0,0],[1,0]]))
1 1
4 3
[torch.FloatTensor of size 2x2]
a=t.arange(0,16).view(4,4)
print(a)
index_1=t.LongTensor([[3,2,1,0]])
b=a.gather(0,index_1)
print(b)
index_2=t.LongTensor([[0,1,2,3]]).t()#tensor转置操作：(a)T=a.t()
c=a.gather(1,index_2)
print(c)
执行结果:
tensor([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11],
[12, 13, 14, 15]])
tensor([[12, 9, 6, 3]])
tensor([[ 0],
[ 5],
[10],
[15]])
