PyTorch深度學習總結

第五章 PyTorch中張量(Tensor)統(tǒng)計操作

前言

上文介紹了PyTorch中張量(Tensor)的計算操作，本文將介紹張量的統(tǒng)計操作。

一、最值查找

創(chuàng)建張量：

# 引入庫
import torch

# 創(chuàng)建張量A
A = torch.arange(2., 8.).reshape(2,3)
print(A)

輸出結果為：tensor([[2, 3, 4], [5, 6, 7]])

---

測試函數(shù)：

print(A.max())
print(A.argmax())
print(A.min())
print(A.argmin())

輸出結果為(含注釋)：
tensor(7.)
tensor(5) # 0-5的最后一位
tensor(2.)
tensor(0) # 0-5的第一位

torch.sort()
創(chuàng)建隨機張量B:

# 創(chuàng)建隨機張量B
B = torch.randperm(15).reshape(3, 5) # torch.randperm(n)可以生成有n個0-10之間整數(shù)組成的張量
print(B)

輸出結果為：
tensor(
[[13, 9, 1, 2, 0],
[ 4, 14, 12, 3, 7],
[ 5, 6, 8, 11, 10]])

---

對張量B進行排序：

# 升序輸出
print(B.sort())  # 分別輸出排序后的值，以及該值在原索引中不同維度的位置(列數(shù))

輸出結果為：
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]]))

---

# 降序輸出
print(B.sort(descending=True))

輸出結果為：
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]]))

測試函數(shù)torch.topk()：

# 選取每個維度最大和次大的值，及其位置
print(B.topk(2))

輸出結果為：
torch.return_types.topk(
values=tensor([[13, 9],
[14, 12],
[11, 10]]),
indices=tensor([[0, 1],
[1, 2],
[3, 4]]))

---

# 選取2-dim維度前2大的值及其位置
print(B)
print(B.topk(2, dim=0))  # 每列最大的兩個值

輸出結果為(含注釋)：
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表示對應元素的行數(shù)

---

# 選取2-dim最大和次大的值，及其位置
print(B.topk(2, dim=1))  # 與默認情況相同默認情況

輸出結果為：
torch.return_types.topk(
values=tensor([[13, 9],
[14, 12],
[11, 10]]),
indices=tensor([[0, 1],
[1, 2],
[3, 4]]))

測試函數(shù)torch.kthvalue()：

# 選取每個維度第2小的值及其位置
print(B)
print(B.kthvalue(2))

輸出結果為：
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、特殊值查詢

測試函數(shù)(維度0)：

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))

輸出結果為(含注釋)：
tensor([[2., 3., 4.],
[5., 6., 7.]]) # 張量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])) # 每列中位數(shù)及索引
tensor([[ 2., 3., 4.],
[10., 18., 28.]]) # 每列累乘
tensor([2.1213, 2.1213, 2.1213]) # 每列標準差

---

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))

輸出結果為(含注釋)：
tensor([[2., 3., 4.],
[5., 6., 7.]]) # 張量A
tensor([3., 6.]) # 每行均值
tensor([ 9., 18.]) # 每行求和
tensor([[ 2., 5., 9.],
[ 5., 11., 18.]]) # 按行逐個累加
torch.return_types.median(
values=tensor([3., 6.]),
indices=tensor([1, 1])) # 每行中位數(shù)
tensor([[ 2., 6., 24.],
[ 5., 30., 210.]]) # 按行逐個累乘
tensor([1., 1.]) # 每行標準差文章來源地址http://www.zghlxwxcb.cn/news/detail-833577.html

到了這里，關于【PyTorch】PyTorch中張量(Tensor)統(tǒng)計操作的文章就介紹完了。如果您還想了解更多內容，請在右上角搜索TOY模板網以前的文章或繼續(xù)瀏覽下面的相關文章，希望大家以后多多支持TOY模板網！