pytorch的数值比较运算

最新推荐文章于 2025-01-01 19:00:00 发布

逝去〃年华

最新推荐文章于 2025-01-01 19:00:00 发布

阅读量1.7k

点赞数 1

分类专栏： PyTorch的攀登年华文章标签： pytorch python 快速排序线性代数

本文链接：https://blog.youkuaiyun.com/weixin_49710179/article/details/115699809

版权

PyTorch的攀登年华专栏收录该内容

15 篇文章

订阅专栏

这篇博客详细介绍了PyTorch中张量的操作，包括元素比较（大于、小于、等于等）、查找最大值和最小值、排序以及topk方法来选取最大或最小的元素。这些基本操作对于理解和使用PyTorch进行数值计算至关重要。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1. 大于、大于等于、小于、小于等于、不相等

# 元素相等返回1，不相等返回0.
x = torch.Tensor([[2,3,5],[4,7,9]])
y = torch.Tensor([[2,4,5],[4,8,9]])
z = torch.Tensor([[2,3,5],[4,7,9]])
print(torch.eq(x,y))
# 比较两个Tensor是否相等
print(torch.equal(x,z))
print(torch.equal(x,y))
# 逐一比较Tensor1中的元素是否大于等于Tensor2中的元素
print(torch.ge(x,y))
# 逐一比较Tensor1中的元素是否大于Tensor2中的元素
print(torch.gt(x,y))
# 逐一比较Tensor1中的元素是否小于等于Tensor2中的元素
print(torch.le(x,y))
# 逐一比较Tensor1中的元素是否小于Tensor2中的元素
print(torch.lt(x,y))
# 逐一比较两个Tensor中的元素是否不相等
print(torch.ne(x,y))
--------------------------------------------------------------------------------
result:
tensor([[ True, False,  True],
        [ True, False,  True]])
True
False
tensor([[ True, False,  True],
        [ True, False,  True]])
tensor([[False, False, False],
        [False, False, False]])
tensor([[True, True, True],
        [True, True, True]])
tensor([[False,  True, False],
        [False,  True, False]])
tensor([[False,  True, False],
        [False,  True, False]])

2. 最大值，最小值

x = torch.Tensor([[2,3,5],[4,7,9]])
print(torch.max(x))
# 若指定了dim，则返回最大值与最大值所对应的索引
print(torch.max(x,dim=1))
# 最小值
print(torch.min(x))
print(torch.min(x,dim=0))
--------------------------------------------------------------------------------
result:
tensor(9.)
torch.return_types.max(
values=tensor([5., 9.]),
indices=tensor([2, 2]))
tensor(2.)
torch.return_types.min(
values=tensor([2., 3., 5.]),
indices=tensor([0, 0, 0]))

3. 排序

x = torch.Tensor([[10,3,5],[4,20,9]])
print(torch.sort(x))
# 关键字参数descending,设定升序降序
print(torch.sort(x,descending=True))
print(torch.sort(x,dim=0,descending=True))
print(torch.sort(x,dim=0,descending=False))
--------------------------------------------------------------------------------
result:
torch.return_types.sort(
values=tensor([[ 3.,  5., 10.],
        [ 4.,  9., 20.]]),
indices=tensor([[1, 2, 0],
        [0, 2, 1]]))
--------------     
torch.return_types.sort(
values=tensor([[10.,  5.,  3.],
        [20.,  9.,  4.]]),
indices=tensor([[0, 2, 1],
        [1, 2, 0]]))
-------------        
torch.return_types.sort(
values=tensor([[10., 20.,  9.],
        [ 4.,  3.,  5.]]),
indices=tensor([[0, 1, 1],
        [1, 0, 0]]))
--------------      
torch.return_types.sort(
values=tensor([[ 4.,  3.,  5.],
        [10., 20.,  9.]]),
indices=tensor([[1, 0, 0],
        [0, 1, 1]]))

4. topk

# topk选择最大或最小的k个元素作为返回值
x = torch.Tensor([[10,3,5],[4,20,9]])
# 关键字k指定返回元素个数，默认最大元素
print(torch.topk(x,k=2))
# largest = Flase 表示最小的topk值
print(torch.topk(x,k=2,largest=False))
# 指定dim，则延续dim方向取topk
print(torch.topk(x,k=2,dim=0))
print(torch.topk(x,k=2,dim=1))
--------------------------------------------------------------------------------
result:
torch.return_types.topk(
values=tensor([[10.,  5.],
        [20.,  9.]]),
indices=tensor([[0, 2],
        [1, 2]]))
torch.return_types.topk(
values=tensor([[3., 5.],
        [4., 9.]]),
indices=tensor([[1, 2],
        [0, 2]]))
torch.return_types.topk(
values=tensor([[10., 20.,  9.],
        [ 4.,  3.,  5.]]),
indices=tensor([[0, 1, 1],
        [1, 0, 0]]))
torch.return_types.topk(
values=tensor([[10.,  5.],
        [20.,  9.]]),
indices=tensor([[0, 2],
        [1, 2]]))