Pytorch学习之torch用法----比较操作(Comparison Ops)

1. torch.eq(input, other, out=None)

说明： 比较元素是否相等，第二个参数可以是一个数，或者是第一个参数同类型形状的张量

参数：

input(Tensor) ---- 待比较张量

other(Tenosr or float) ---- 比较张量或者数

out(Tensor,可选的) ---- 输出张量

返回值： 一个torch.ByteTensor张量，包含了每个位置的比较结果(相等为1，不等为0)

> a = torch.Tensor([[1, 2], [3, 4]])
> b = torch.Tensor([[1, 1], [4, 4]])
> torch.eq(a, b)
tensor([[1, 0],
  [0, 1]], dtype=torch.uint8)

2. torch.equal(tensor1, tensor2, out=None)

说明： 如果两个张量有相同的形状和元素值，则返回true，否则False

参数：

tensor1(Tenosr) ---- 比较张量1

tensor2(Tensor) ---- 比较张量2

out(Tensor,可选的) ---- 输出张量

> a = torch.Tensor([1, 2])
> b = torch.Tensor([1, 2])
> torch.equal(a, b)
True

3. torch.ge(input, other, out=None)

说明： 逐元素比较input和other，即是否input >= other。

参数：

input(Tensor) ---- 待对比的张量

other(Tensor or float) ---- 对比的张量或float值

out(Tensor,可选的) ---- 输出张量，

> a = torch.Tensor([[1, 2], [3, 4]])
> b = torch.Tensor([[1, 1], [4, 4]])
> torch.ge(a, b)
tensor([[1, 1],
  [0, 1]], dtype=torch.uint8)

4. torch.gt(input, other, out=None)

说明： 逐元素比较input和other，即是否input > other

参数：

input(Tensor) ---- 要对比的张量

other(Tensor or float) ---- 要对比的张量或float值

out(Tensor,可选的) ---- 输出张量

> a = torch.Tensor([[1, 2], [3, 4]])
> b = torch.Tensor([[1, 1], [4, 4]])
> torch.gt(a, b)
tensor([[0, 1],
  [0, 0]], dtype=torch.uint8)

5. torch.kthvalue(input, k, dim=None, out=None)

说明： 取输入张量input指定维度上第k个最小值。如果不指定dim。默认为最后一维。返回一个元组(value, indices), 其中indices是原始输入张量中沿dim维的第k个最小值下标。

参数：

input(Tensor) ---- 要对比的张量

k(int) ---- 第k个最小值

dim(int, 可选的) ---- 沿着此维度进行排序

out(tuple,可选的) ---- 输出元组

> x = torch.arange(1, 6)
> x
tensor([1, 2, 3, 4, 5])
> torch.kthvalue(x, 4)
torch.return_types.kthvalue(
values=tensor(4),
indices=tensor(3))
> torch.kthvalue(x, 1)
torch.return_types.kthvalue(
values=tensor(1),
indices=tensor(0))

6. torch.le(input, other, out=None)

说明： 逐元素比较input和other，即是否input <= other.

参数：

input(Tenosr) ---- 要对比的张量

other(Tensor or float) ---- 对比的张量或float值

out(Tensor,可选的) ---- 输出张量

> a = torch.Tensor([[1, 2], [3, 4]])
> b = torch.Tensor([[1, 1], [4, 4]])
> torch.le(a, b)
tensor([[1, 0],
  [1, 1]], dtype=torch.uint8)

7. torch.lt(input, other, out=None)

说明： 逐元素比较input和other，即是否input < other

参数：

input(Tensor) ---- 要对比的张量

other(Tensor or float) ---- 对比的张量或float值

out(Tensor,可选的) ---- 输出张量

> a = torch.Tensor([[1, 2], [3, 4]])
> b = torch.Tensor([[1, 1], [4, 4]])
> torch.lt(a, b)
tensor([[0, 0],
  [1, 0]], dtype=torch.uint8)

8. torch.max(input)

说明： 返回输入张量所有元素的最大值

参数：

input(Tensor) ---- 输入张量

> a = torch.randn(1, 3)
> a
tensor([[ 0.1553, -0.4140, 1.8393]])
> torch.max(a)
tensor(1.8393)

9. torch.max(input, dim, max=None, max_indices=None)

说明： 返回输入张量给定维度上每行的最大值，并同时返回每个最大值的位置索引。

参数：

input(Tensor) ---- 输入张量

dim(int) ---- 指定的维度

max(Tensor,可选的) ---- 结果张量，包含给定维度上的最大值

max_indices(LongTensor,可选的) ---- 结果张量，包含给定维度上每个最大值的位置的索引。

> a = torch.randn(4, 4)
> a
tensor([[ 0.4067, -0.7722, -0.6560, -0.9621],
  [-0.8754, 0.0282, -0.7947, -0.1870],
  [ 0.4300, 0.5444, 0.3180, 1.2647],
  [ 0.0775, 0.5886, 0.1662, 0.8986]])
> torch.max(a, 1)
torch.return_types.max(
values=tensor([0.4067, 0.0282, 1.2647, 0.8986]),
indices=tensor([0, 1, 3, 3]))

10. torch.max(input, other, out=None)

说明： 返回两个元素的最大值。

参数：

input(Tensor) ---- 待比较张量

other(Tensor) ---- 比较张量

out(Tensor,可选的) ---- 结果张量

> a = torch.randn(4)
> a
tensor([ 0.5767, -1.0841, -0.0942, -0.9405])
> b = torch.randn(4)
> b
tensor([-0.6375, 1.4165, 0.2738, -0.8996])
> torch.max(a, b)
tensor([ 0.5767, 1.4165, 0.2738, -0.8996])

11.torch.min(input)

说明： 返回输入张量所有元素的最小值

参数：

input(Tensor) ---- 输入张量

> a = torch.randn(1, 4)
> a
tensor([[-0.8142, -0.9847, -0.3637, 0.5191]])
> torch.min(a)
tensor(-0.9847)

12. torch.min(input, dim, min=None, min_indices=None)

说明： 返回输入张量给定维度上每行的最小值，并同时返回每个最小值的位置索引

参数：

input(Tensor) ---- 输入张量

dim(int) ---- 指定的维度

min(Tensor,可选的) ---- 结果张量，包含给定维度上的最小值

min_indices(LongTensor,可选的) ---- 结果张量，包含给定维度上每个最小值的位置索引。

> a = torch.randn(4, 4)
> a
tensor([[-0.0243, -0.7382, 0.3102, 0.9720],
  [-0.3805, -0.7999, -1.2856, 0.2657],
  [-1.0284, -0.1638, -0.8840, 1.2679],
  [-1.0347, -2.3428, 0.3107, 1.0575]])
> torch.min(a, 1)
torch.return_types.min(
values=tensor([-0.7382, -1.2856, -1.0284, -2.3428]),
indices=tensor([1, 2, 0, 1]))

13. torch.ne(input, other, out=None)

说明： 逐元素比较input和other，即是否input 不等于 other。第二个参数可以为一个数或与第一个参数相同形状和类型的张量

参数：

input(Tensor) ---- 待对比的张量

other(Tensor or float) ---- 对比的张量或float值

out(Tensor, 可选的) ---- 输出张量

** 返回值：** 一个torch.ByteTensor 张量，包含了每个位置的比较结果，如果tensor和other不相等为True，返回1.

> import torch
> a = torch.Tensor([[1, 2], [3, 4]])
> b = torch.Tensor([[1, 1], [4, 4]])
> torch.ne(a, b)
tensor([[0, 1],
  [1, 0]], dtype=torch.uint8)

14. torch.sort(input, dim=None, descending=False, out=None)

说明： 对输入张量input沿指定维度按升序排序，如果不给定dim，则默认为输入的最后一维。如果指定参数descending为True，则按降序排序。

参数：

input(Tensor) ---- 要排序的张量

dim(int,可选的) ---- 沿着此维度排序

descending(bool,可选的) ---- 布尔值，控制升序排序

out(tuple,可选的) ---- 输出张量

返回值： 为ByteTensor类型或与tensor相同类型，为元组(sorted_tensor,sorted_indices)，sorted_indices为原始输入中的下标

> x = torch.randn(3, 4)
> x
tensor([[-0.3613, -0.2583, -0.4276, -1.3106],
  [-1.1577, -0.7505, 1.7217, -0.6247],
  [-0.1338, 0.4423, 0.0280, -1.4796]])
> sorted, indices = torch.sort(x)
> sorted
tensor([[-1.3106, -0.4276, -0.3613, -0.2583],
  [-1.1577, -0.7505, -0.6247, 1.7217],
  [-1.4796, -0.1338, 0.0280, 0.4423]])
> indices
tensor([[3, 2, 0, 1],
  [0, 1, 3, 2],
  [3, 0, 2, 1]])

15. torch.topk(input, dim=None, largest=True, sorted=True, out=None)

说明： 沿指定dim维度返回输入张量input中k个最大值。如果不指定dim，则默认input的最后一维，如果largest为False，则返回最小的k个值。

参数：

input(Tensor) ---- 输入张量

k(int) ---- “top-k"中的k值

dim(int,可选的) ---- 排序的维度

largest(bool,可选的) ---- 布尔值，控制返回最大或最小值

sorted(bool,可选的) ---- 布尔值，控制返回值是否排序

out(tuple,可选的) ---- 可选输出张量

返回值： 返回一个元组(values, indices)，其中indices是原始输入张量input中排序元素下标。如果设定布尔值sorted为True，将会确保返回的k个值被排序

> x = torch.arange(1, 6)
> x
tensor([1, 2, 3, 4, 5])
> torch.topk(x, 3)
torch.return_types.topk(
values=tensor([5, 4, 3]),
indices=tensor([4, 3, 2]))
> torch.topk(x, 3, 0, largest=False)
torch.return_types.topk(
values=tensor([1, 2, 3]),
indices=tensor([0, 1, 2]))

以上这篇Pytorch学习之torch用法----比较操作(Comparison Ops)就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持。