torch中关于torch.max()和torch.min()函数的理解

原创最新推荐文章于 2026-06-19 12:17:50 发布 2.1w 阅读 AI写同款

收录于

pytorch基础

LiBin1103

码龄9年墨衍会员 · AI 创作全网分发

38粉丝68篇原创

关注

torch.minimum与torch.min() 函数用于逐元素地比较两个张量，并返回一个新的张量，其中每个元素是两个输入张量对应元素中的最小值。print("最小值：", min_value)print("最小值：", min_value) 阅读详情

AI摘要

本文主要介绍了tensor类型数据中max和min函数的用法。包括torch.max(tensorA)返回最大值，torch.max(tensorA, dim)返回指定维度最大数和下标，torch.max(tensorA, tensorB)比较两tensor较大元素。还说明了数据转换及不同阶张量取最大值的方法。

简介

在tensor类型的数据中，max和min函数常用来比较两个tensor数据的大小，或者取出tensor数据中的最大值。关于max函数和min函数的用法有以下几种场景：

对于tensorA和tensorB：

torch.max(tensorA):返回tensor中的最大值。
torch.mac(tensorA,dim):dim表示指定的维度,返回指定维度的最大数和对应下标
torch.max(tensorA,tensorB)：比较tensorA和tensorB相对较大的元素。

输入：
x = th.arange(0,16,1).view(4,4)
print('x:\n',x)
print('t.max(x):\n',t.max(x))
print('t.max(x,1):\n',t.max(x,1))
print('t.max(x,0):\n',t.max(x,0))
print('t.max(x,1)[0]:\n',t.max(x,1)[0])
print('t.max(x,1)[1]:\n',t.max(x,1)[1])
print('t.max(x,1)[1].data:\n',t.max(x,1)[1].data)
print('t.max(x,1)[1].data.numpy():\n',t.max(x,1)[1].data.numpy())
print('t.max(x,1)[1].data.numpy().squeeze():\n',t.max(x,1)[1].data.numpy().squeeze())
print('t.max(x,1)[0].data:\n',t.max(x,1)[0].data)
print('t.max(x,1)[0].data.numpy():\n',t.max(x,1)[0].data.numpy())
print('t.max(x,1)[0].data.numpy().squeeze():\n',t.max(x,1)[0].data.numpy().squeeze())

输出：
x:
 tensor([[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11],
        [12, 13, 14, 15]])
t.max(x):
 tensor(15)
t.max(x,1):
 torch.return_types.max(
values=tensor([ 3,  7, 11, 15]),
indices=tensor([3, 3, 3, 3]))
t.max(x,0):
 torch.return_types.max(
values=tensor([12, 13, 14, 15]),
indices=tensor([3, 3, 3, 3]))
t.max(x,1)[0]:
 tensor([ 3,  7, 11, 15])
t.max(x,1)[1]:
 tensor([3, 3, 3, 3])
t.max(x,1)[1].data:
 tensor([3, 3, 3, 3])
t.max(x,1)[1].data.numpy():
 [3 3 3 3]
t.max(x,1)[1].data.numpy().squeeze():
 [3 3 3 3]
t.max(x,1)[0].data:
 tensor([ 3,  7, 11, 15])
t.max(x,1)[0].data.numpy():
 [ 3  7 11 15]
t.max(x,1)[0].data.numpy().squeeze():
 [ 3  7 11 15]

上面代码中x是一个4*4的二阶张量：

tensor([[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11],
        [12, 13, 14, 15]])

t.max(x)表示从x中取出最大的那个值：15

t.max(x,1)表示每行中取出最大的元素，并返回其下标，第一行为3，第二行为7，第三行为11，第四行为15.注意：t.max(x,1)中的1表示行，0表示列，因为此处的例子是二阶的张量，只有行和列。

所以t.max(x,1)表示每列中取出最大的元素，即[3,7,11,15]。

.data 只返回variable中的数据部分（去掉Variable containing:）。

.data.numpy() 把数据转化成numpy ndarry。

].data.numpy().squeeze() 把数据条目中维度为1 的删除掉。

torch.max(tensorA,tensorB) element-wise 比较tensorA 和tensorB 中的元素，返回较大的那个值。

那如果是3阶的张两呢？

下面我们将x的张量变成2*2*4,即2维的两行四列。

输入：
x = th.arange(0,16,1).view(2,2,4)
print('x:\n',x)
print('t.max(x):\n',t.max(x))
print('t.max(x,1):\n',t.max(x,1))
print('t.max(x,0):\n',t.max(x,0))
print('t.max(x,1)[0]:\n',t.max(x,1)[0])
print('t.max(x,1)[1]:\n',t.max(x,1)[1])
print('t.max(x,1)[1].data:\n',t.max(x,1)[1].data)
print('t.max(x,1)[1].data.numpy():\n',t.max(x,1)[1].data.numpy())
print('t.max(x,1)[1].data.numpy().squeeze():\n',t.max(x,1)[1].data.numpy().squeeze())
print('t.max(x,1)[0].data:\n',t.max(x,1)[0].data)
print('t.max(x,1)[0].data.numpy():\n',t.max(x,1)[0].data.numpy())
print('t.max(x,1)[0].data.numpy().squeeze():\n',t.max(x,1)[0].data.numpy().squeeze())


输出：

x:
 tensor([[[ 0,  1,  2,  3],
         [ 4,  5,  6,  7]],

        [[ 8,  9, 10, 11],
         [12, 13, 14, 15]]])
t.max(x):
 tensor(15)
t.max(x,1):
 torch.return_types.max(
values=tensor([[ 4,  5,  6,  7],
        [12, 13, 14, 15]]),
indices=tensor([[1, 1, 1, 1],
        [1, 1, 1, 1]]))
t.max(x,0):
 torch.return_types.max(
values=tensor([[ 8,  9, 10, 11],
        [12, 13, 14, 15]]),
indices=tensor([[1, 1, 1, 1],
        [1, 1, 1, 1]]))
t.max(x,1)[0]:
 tensor([[ 4,  5,  6,  7],
        [12, 13, 14, 15]])
t.max(x,1)[1]:
 tensor([[1, 1, 1, 1],
        [1, 1, 1, 1]])
t.max(x,1)[1].data:
 tensor([[1, 1, 1, 1],
        [1, 1, 1, 1]])
t.max(x,1)[1].data.numpy():
 [[1 1 1 1]
 [1 1 1 1]]
t.max(x,1)[1].data.numpy().squeeze():
 [[1 1 1 1]
 [1 1 1 1]]
t.max(x,1)[0].data:
 tensor([[ 4,  5,  6,  7],
        [12, 13, 14, 15]])
t.max(x,1)[0].data.numpy():
 [[ 4  5  6  7]
 [12 13 14 15]]
t.max(x,1)[0].data.numpy().squeeze():
 [[ 4  5  6  7]
 [12 13 14 15]]

从输出结果看，

t.max(x):依然是从x中取出最大的一个值。

t.max(x,1):输出

[[ 4,  5,  6,  7],
[12, 13, 14, 15]]，因为此时有两个维度，每个维度上有两行四列的数据，所以1表示行，即取出每个维度上每个行的最大值。[ 4, 5, 6, 7]是第一个维度中的最大值所在的行，[12, 13, 14, 15]是第二个维度中最大值所在的行。

t.max(x,0):输出：

torch.return_types.max(
values=tensor([[ 8,  9, 10, 11],
        [12, 13, 14, 15]]),
indices=tensor([[1, 1, 1, 1],
        [1, 1, 1, 1]]))此时，0表示是维度，x有两个维度，表示从这两个维度中取出最大值所在的维度。即[[ 8, 9, 10, 11], [12, 13, 14, 15]]。

假如我们想要取出每个维度中每一列中最大的元素该怎么办呢？我们只需要指定t.max(x,dim)中的dim=2就可以取出列向量了。

输入：
x = th.arange(0,16,1).view(2,2,4)
print('x:\n',x)
print('t.max(x):\n',t.max(x))
print('t.max(x,2):\n',t.max(x,2))
print('t.max(x,2)[0]:\n',t.max(x,2))
print('t.max(x,1)[0][0]:\n',t.max(x,2)[0][0])


输出：

x:
 tensor([[[ 0,  1,  2,  3],
         [ 4,  5,  6,  7]],

        [[ 8,  9, 10, 11],
         [12, 13, 14, 15]]])
t.max(x):
 tensor(15)
t.max(x,2):
 torch.return_types.max(
values=tensor([[ 3,  7],
        [11, 15]]),
indices=tensor([[3, 3],
        [3, 3]]))
t.max(x,2)[0]:
 torch.return_types.max(
values=tensor([[ 3,  7],
        [11, 15]]),
indices=tensor([[3, 3],
        [3, 3]]))
t.max(x,1)[0][0]:
 tensor([3, 7])