【Pytorch】属性统计

╰半夏微凉° 2022-11-03 15:24 146阅读 0赞

### 文章目录 ###

*  1. norm - p
 *  2. mean sum min max prod
 *  3. argmin argmax
 *  4. Top - k or k - th
 *   *  4.1 top k
     *  4.2 kthvalue
 *  5. compare

# 1. norm - p #

def norm(self, p="fro", dim=None, keepdim=False, dtype=None):

*  返回

a = torch.ones([1, 1, 1, 1, 1, 1, 1, 1])    # dim = 8
    b = torch.ones([2, 2, 2])   # dim = 3
    c = torch.ones([8])     # dim = 1
    
    print(a.norm(1))    # tensor(1.)
    print(b.norm(1))    # tensor(8.)
    print(c.norm(1))    # tensor(8.)
    
    print(a.norm(2))    # tensor(1.)
    print(b.norm(2))    # tensor(2.8284)
    print(c.norm(2))    # tensor(2.8284)
    
    print(a.norm(1, dim=0))    # tensor([[[[[[[1.]]]]]]])
    print(b.norm(1, dim=0))    # tensor([[2., 2.],[2., 2.]])
    print(c.norm(1, dim=0))    # tensor(8.)

# 2. mean sum min max prod #

*  min：最小值
 *  max：最大值
 *  sum：求和
 *  mean：平均值
 *  prod：累乘

a = torch.arange(8).view(2, 4).float()
    print(a)    # tensor([[0., 1., 2., 3.], [4., 5., 6., 7.]])
    
    print(a.min()) # tensor(0.)
    print(a.max()) # tensor(7.)
    print(a.mean()) # tensor(3.5000)
    print(a.prod()) # tensor(0.)

# 3. argmin argmax #

*  argmin：返回最小值的下标
 *  argmax：返回最大值的下标

a = torch.arange(8).view(2, 4).float()
    print(a)    # tensor([[0., 1., 2., 3.], [4., 5., 6., 7.]])
    
    print(a.argmin())   # tensor(0)
    print(a.argmax())   # tensor(7)

# 4. Top - k or k - th #

## 4.1 top k ##

def topk(k, dim=None, largest=True, sorted=True) -> (Tensor, LongTensor)

*  如果不指定 dim 维度，则返回所有维度中最大的 k 个值
 *  如果指定 dim 维度，则返回该 dim 维度中最大的 k 个值
 *  largest 为 True 时，表示输出 k 个最大值；largest为 False 时，表示输出 k 个最小值

a = torch.arange(8).view(2, 4).float()
    print(a)    # tensor([[0., 1., 2., 3.], [4., 5., 6., 7.]])
    
    print(a.topk(2))
    ''' torch.return_types.topk( values=tensor ([[3., 2.], [7., 6.]]), indices=tensor([[3, 2], [3, 2]])) '''

## 4.2 kthvalue ##

kthvalue(k, dim=None, keepdim=False) -> (Tensor, LongTensor)

*  返回每个维度中第 k 小的值及位置
 *  keepdim 会保持维度

a = torch.arange(8).view(2, 4).float()
    print(a)    # tensor([[0., 1., 2., 3.], [4., 5., 6., 7.]])
    
    print(a.kthvalue(2))
    ''' torch.return_types.kthvalue( values=tensor([1., 5.]), indices=tensor([1, 1])) '''

# 5. compare #

> 比较符号：>，>=， <， <=， !=， ==
> 
> 比较函数：eq函数 、equal函数

*  比较的返回值是 ByteTensor ，不再是 FloatTensor 。
 *  满足的位置为True，不满足的位置为False。

a = torch.rand([4, 4])
    print(a)
    ''' tensor([[0.0389, 0.8826, 0.2379, 0.2799], [0.4425, 0.3308, 0.3622, 0.2456], [0.4767, 0.1754, 0.1747, 0.8575], [0.0547, 0.7906, 0.9365, 0.2480]]) '''
    print(a > 0.5)
    ''' tensor([[False, True, False, False], [False, False, False, False], [False, False, False, True], [False, True, True, False]]) '''
    print(a < 0.5)
    ''' tensor([[ True, False, True, True], [ True, True, True, True], [ True, True, True, False], [ True, False, False, True]]) '''
    print(a == 0.5)
    ''' tensor([[False, False, False, False], [False, False, False, False], [False, False, False, False], [False, False, False, False]]) '''
    print(a != 0.5)
    ''' tensor([[True, True, True, True], [True, True, True, True], [True, True, True, True], [True, True, True, True]]) '''

`eq函数`

def eq(Tensor1,Tensor2) -> Tensor

*  逐个元素进行比较是否相等，不相等返回的Tensor对应位置置为False，相等对应位置置为True

a = torch.ones(2, 3)
    b = torch.zeros(2, 3)
    print(torch.eq(a, a))   # tensor([[True, True, True],[True, True, True]])
    print(torch.eq(a, b))   # tensor([[False, False, False],[False, False, False]])

`equal函数`

*  一模一样返回True
 *  非一模一样返回False

a = torch.ones(2, 3)
    b = torch.zeros(2, 3)
    print(torch.equal(a, a))    # True
    print(torch.equal(a, b))    # False