Pytorch常用函数

一、torch.max
- 1.调用方式
- 2.相关介绍
- 3.代码实例及图示理解
二、torch.argmax
- 1.调用方式
- 2.相关介绍
- 3.代码实例及图示理解
三、torch.max与torch.argmax的联系

一、torch.max

1.调用方式

1）torch.max(input)：只需送入输入张量；
或
2）torch.max(input, dim, keepdim=False, *, out=None)：送入张量的同时，需要指定沿着哪个维度进行最大值运算；
这两种调用方式对输入张量的形状没有要求，一维数据或者多维数据都可以。

2.相关介绍

1）返回输入张量中最大值相关数据:

方式一，即不指定dim时，默认将张量展开成一维张量，然后返回第一个最大值；
方式二，即指定dim时，沿着指定的dim维进行最大值运算，输出结果由剩下的维度组成，比如原始维度为H,W，若指定dim=0（即H维),则输出结果由W个元素构成；

2）如果有多个最大值则返回第一个最大值；

3.代码实例及图示理解

首先定义一个简单的方法，当传入张量x和维度dim参数时，分别打印两种调用方式对应的输出：

def print_maxvalue(x,dim=0):max_value=torch.max(x)print(max_value)print('-'*10)max_value,max_index=torch.max(x,dim=dim)print(max_value)print(max_index)

对于二维数据，其形状为（H,W）=（10,2）：

x=torch.tensor([[0, 1],[2, 5],[7, 3],[5, 1],[8, 7],[7, 6],[9, 6],[4, 4],[2, 0],[9, 9]])
print_maxvalue(x,dim=0)

输出结果：

tensor(9)  # 所有元素中的第一个最大值
----------
tensor([9, 9])  # 沿着指定dim维进行最大值运算
tensor([6, 9])  # 沿着指定dim维进行最大值运算，并返回最大值对应的下标

结果分析：
（1）方式一
将张量展开成一维张量，其长度为L=10×2=20，然后返回第一个最大值9

（2）方式二
指定dim=0，此维度长度为10，表示沿着第0维进行最大值运算，分别对第0维的10个元素取最大值，并返回其对应下标

二、torch.argmax

1.调用方式

1）torch.argmax(input)：只需送入输入张量；
或
2）torch.argmax(input, dim, keepdim=False)：送入张量的同时，需要指定沿着哪个维度进行运算；
这两种调用方式对输入张量的形状没有要求，一维数据或者多维数据都可以。

2.相关介绍

1）返回输入张量中最大值的索引:

方式一，即不指定dim时，默认将张量展开成一维张量，然后返回对应的下标；
方式二，即指定dim时，沿着指定的dim维进行选择，输出结果由剩下的维度组成，比如原始维度为H,W，若指定dim=0（即H维),则输出结果由W个元素构成；

2）如果有多个最大值则返回第一个最大值的下标；
3）返回torch.max函数指定dim时返回的第二个值；

3.代码实例及图示理解

首先定义一个简单的方法，当传入张量x和维度dim参数时，分别打印两种调用方式对应的输出：

def print_(x,dim=0):# print(x)# print(x.shape)print('-' * 10)# 方式一max_index = torch.argmax(x)print(max_index)print('-' * 10)# 方式二max_index = torch.argmax(x, dim=dim)print(max_index)print('-' * 10)

1）一维数据：L

x=torch.tensor([8, 2, 7, 15, 1])
print_(x,dim=0)

输出结果：

tensor(3)
tensor(3)

结果分析：

这是最简单的一种方式，就类似一维数组查询最大元素对应下标的过程一致：

对于方式一，传入一维张量后，直接返回第一个最大值15对应的下标3；
对于方式二，此时数据只有一个维度，故只能指定沿着维度dim=0进行运算，实质还是在所有元素中寻找最大值并返回其下标；

2）二维数据：（H,W）

x=torch.tensor([[0, 1],[2, 5],[7, 3],[5, 1],[8, 7],[7, 6],[9, 6],[4, 4],[2, 0],[9, 9]])
print_(x,dim=0)
# print_(x,dim=1)

输出结果：

dim=0:H,W->W
tensor(12)
tensor([6, 9]) # 一般分类问题就适用这种情况，在一个批次的预测输出中确定每个样本的类别，输出结果中每个元素即表示批次中每个样本对应的类别
dim=1: H,W->H
tensor(12)
tensor([1, 1, 0, 0, 0, 0, 0, 0, 0, 0])

结果分析：
（1）方式一
先将输入张量沿着所有维度展开为一维数据，然后返回第一个最大值9对应的下标12

（2）方式二
函数沿着指定的dim维度进行运算，
dim=0表示张量沿着第0维的方向进行运算，比如此处dim=0维长度为10，则表示在每列的10个元素中找到最大值并返回其下标：
此处第一列最大值为9，而其下标为6

dim=1表示张量沿着第1维的方向进行运算，比如此处dim=1维长度为2，则表示在每行的2个元素中找到最大值并返回其下标：
此处第一行最大值为1，而其下标为1

3）多维数据：（N,C,H,W）

x=torch.tensor([[[[1, 3],[7, 8]],[[8, 1],[5, 3]],[[2, 8],[4, 4]]],[[[3, 0],[2, 0]],[[0, 4],[7, 16]],[[4, 8],[4, 3]]]])print_(x,dim=0)
# print_(x,dim=1)
# print_(x,dim=2)
# print_(x,dim=3)

输出结果：

dim=0：N,C,H,W->C,H,W
tensor(19)
tensor([[[1, 0],[0, 0]],[[0, 1],[1, 1]],[[1, 0],[0, 0]]])dim=1：N,C,H,W->N,H,W
tensor(19)
tensor([[[1, 2],[0, 0]],[[2, 2],[1, 1]]])dim=2：N,C,H,W->N,C,W
tensor(19)
tensor([[[1, 1],[0, 1],[1, 0]],[[0, 0],[1, 1],[0, 0]]])dim=3：N,C,H,W->N,C,H
tensor(19)
tensor([[[1, 1],[0, 0],[1, 0]],[[0, 0],[1, 1],[1, 0]]])

结果分析：
开始就说到了，

当调用方式二，指定dim时，函数会沿着指定的维度进行运算，其输出结果的维度由剩余的维度决定；
使用方式一时会直接将张量展开为一维数据，然后返回第一个最大值的下标；

（1）方式一
输入张量形状为（N,C,H,W）=(2,3,2,2)，可以清晰地看到，将张量展开为一维数据为长度为L=2×3×2×2=24，且第一个最大值16此时对应的下标为19。

（2）方式二
dim=0维长度为2，剩余维度为（3,2,2）

dim=1维长度为3，剩余维度为（2,2,2）

依次类推…

总结：
其实该函数应用场景最多的是分类任务在进行测试时，判断预测结果的对应类别，此时函数的输入通常为二维数据，只需要使用torch.argmax(x,dim=1)即可达到想要的结果。

三、torch.max与torch.argmax的联系

1）torch.max在寻找输入张量中最大值，而torch.argmax则是寻找最大值对应的下标；
2）二者均使用第一种方式，即未指定dim时，直接将张量展开为一维数据，torch.max返回第一个最大值本身，而torch.argmax则返回最大值的下标；
3）二者均使用第二种方式，即指定dim时，torch.max沿着指定的dim维选取最大值，同时返回最大值本身及其对应下标，而torch.argmax只返回最大值对应的下标。换句话说，torch.argmax的输出结果其实是torch.max指定dim时返回结果中的第二个元素，对应最大值的下标索引；

举个例子：
对于输入张量：

x=torch.tensor([[0, 1],[2, 5],[7, 3],[5, 1],[8, 7],[7, 6],[9, 6],[4, 4],[2, 0],[9, 9]])

torch.argmax(x,dim=0)的输出结果为：

tensor([6, 9])

torch.max(x,dim=0)的输出结果为：

torch.return_types.max(values=tensor([9, 9]),indices=tensor([6, 9]))

其中indices即表示指定dim时找到的最大值的对应下标。

【torch.argmax与torch.max详解】相关推荐

sgd 参数详解_关于torch.optim的灵活使用详解(包括重写SGD,加上L1正则)
torch.optim的灵活使用详解 1. 基本用法: 要构建一个优化器Optimizer,必须给它一个包含参数的迭代器来优化,然后,我们可以指定特定的优化选项, 例如学习速率,重量衰减值等. 注:如 ...
torch 归一化，momentum用法详解
torch 有两个地方用Momentum动量,冲量, 一,优化器中的Momentum 主要是在训练网络时,最开始会对网络进行权值初始化,但是这个初始化不可能是最合适的:因此可能就会出现损失函数在训练的 ...
剖析 | torch.nn.functional.softmax维度详解
写代码,看代码都要心中有数,输入是什么,输出是什么,结果是如何计算出来的. 一维数据: # -*- coding: utf-8 -*- import torch import numpy as np ...
torch.flatten、np.flatten 详解
超链接:深度学习工作常用方法汇总,矩阵维度变化.图片.视频等操作,包含(torch.numpy.opencv等) B站视频讲解链接 1. 展平 :flatten torch版: x.flatten(n ...
Pytorch 中的数据类型 torch.utils.data.DataLoader 参数详解
DataLoader是PyTorch中的一种数据类型,它定义了如何读取数据方式.详情也可参考本博主的另一篇关于torch.utils.data.DataLoader(https://blog.csdn ...
Pytorch之torch.nn.functional.pad函数详解
torch.nn.functional.pad是PyTorch内置的矩阵填充函数 (1).torch.nn.functional.pad函数详细描述如下: torch.nn.functional.pa ...
Python内置函数 max 详解
python文档中定义了很多内置函数,今天有个同学问到max函数到底在什么情况下可以使用,模模糊糊的记得在序列中都可以使用,但是并不是准确的回答.以下是更详细的内容一.参数首先在文档中查看max函 ...
V-Ray 6 带着新工具走来了~V-Ray 6 for 3DS MAX 详解~
盼星星盼月亮,V-Ray 6 终于按照计划,与大家见面了. V-Ray官方发布了V-Ray 6 的功能以及新玩法~代表着新版本的vary渲染器向我们走来了~ 那么新版的V-Ray 6又有哪些值得我们 ...
深度学习关于NLLLoss损失的数学向个人详解
一.起因与目的写这篇文章的起因,就是网络上查了很多NLLLoss(Negative Log-Likelihood Loss,负对数似然损失)相关的详解,但是要么没有讲透,要么就是只讲了如何应用.而我 ...

【torch.argmax与torch.max详解】

Pytorch常用函数

一、torch.max

1.调用方式

2.相关介绍

3.代码实例及图示理解

二、torch.argmax

1.调用方式

2.相关介绍

3.代码实例及图示理解

三、torch.max与torch.argmax的联系

【torch.argmax与torch.max详解】相关推荐

最新文章

热门文章