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(Tenosrorfloat)----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(Tensororfloat)----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(Tensororfloat)----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(Tensororfloat)----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 参数： input(Tensor)----要对比的张量 other(Tensororfloat)----对比的张量或float值 out(Tensor,可选的)----输出张量 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 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。 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 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 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。 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(Tensororfloat)----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. 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 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 以上这篇Pytorch学习之torch用法----比较操作(ComparisonOps)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毛票票。 声明：本文内容来源于网络，版权归原作者所有，内容由互联网用户自发贡献自行上传，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任。如果您发现有涉嫌版权的内容，欢迎发送邮件至：czq8825#qq.com（发邮件时，请将#更换为@）进行举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。
>>>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)
>>>a=torch.randn(1,3)
>>>a
tensor([[0.1553,-0.4140,1.8393]])
>>>torch.max(a)
tensor(1.8393)
>>>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]))
>>>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])
>>>a=torch.randn(1,4)
>>>a
tensor([[-0.8142,-0.9847,-0.3637,0.5191]])
>>>torch.min(a)
tensor(-0.9847)
>>>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]))
>>>importtorch
>>>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)
>>>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]])
>>>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]))