这篇文章给大家分享的是有关Pytorch中Tensor怎么用的内容。小编觉得挺实用的，因此分享给大家做个参考，一起跟随小编过来看看吧。
专注于为中小企业提供做网站、
成都网站建设服务,电脑端+手机端+微信端的三站合一,更高效的管理,为中小企业
石景山免费做网站提供优质的服务。我们立足成都，凝聚了一批互联网行业人才，有力地推动了上千企业的稳健成长，帮助中小企业通过网站建设实现规模扩充和转变。
1. 范数
示例代码：
import torch
a = torch.full([8], 1)
b = a.reshape([2, 4])
c = a.reshape([2, 2, 2])
# 求L1范数(所有元素绝对值求和)
print(a.norm(1), b.norm(1), c.norm(1))
# 求L2范数(所有元素的平方和再开根号)
print(a.norm(2), b.norm(2), c.norm(2))
# 在b的1号维度上求L1范数
print(b.norm(1, dim=1))
# 在b的1号维度上求L2范数
print(b.norm(2, dim=1))
# 在c的0号维度上求L1范数
print(c.norm(1, dim=0))
# 在c的0号维度上求L2范数
print(c.norm(2, dim=0))
输出结果：
tensor(8.) tensor(8.) tensor(8.)
tensor(2.8284) tensor(2.8284) tensor(2.8284)
tensor([4., 4.])
tensor([2., 2.])
tensor([[2., 2.],
[2., 2.]])
tensor([[1.4142, 1.4142],
[1.4142, 1.4142]])
2. 一些常用操作
（1）均值、累加、最小、大、累积
示例代码：
b = torch.arange(8).reshape(2, 4).float()
print(b)
# 均值,累加,最小,大,累积
print(b.mean(), b.sum(), b.min(), b.max(), b.prod())
# 打平后的最小大值索引
print(b.argmax(), b.argmin())
输出结果：
tensor([[0., 1., 2., 3.],
[4., 5., 6., 7.]])
tensor(3.5000) tensor(28.) tensor(0.) tensor(7.) tensor(0.)
tensor(7) tensor(0)
注意：上面的argmax、argmin操作默认会将Tensor打平后取大值索引和最小值索引，如果不希望Tenosr打平，而是求给定维度上的索引，需要指定在哪一个维度上求大值索引或最小值索引。
比如，有shape=[4, 10]的Tensor，表示4张图片在10分类的概率结果，我们需要知道每张图片的最可能的分类结果：
a = torch.rand(4, 10)
print(a)
# 在第二维度上求大值索引
print(a.argmax(dim=1))
输出结果：
tensor([[0.0711, 0.5641, 0.7945, 0.6964, 0.3609, 0.5817, 0.1705, 0.6913, 0.1263,
0.8346],
[0.0810, 0.0771, 0.1983, 0.0344, 0.1067, 0.9591, 0.8515, 0.3046, 0.0491,
0.1291],
[0.3527, 0.2676, 0.9859, 0.2656, 0.1985, 0.3759, 0.8221, 0.3571, 0.5340,
0.7759],
[0.0969, 0.3954, 0.5478, 0.3543, 0.8253, 0.9291, 0.4960, 0.4390, 0.3780,
0.5858]])
tensor([9, 5, 2, 5])
（2）直接使用max和min配合dim参数也可以获得最值索引，同时得到最值的具体值：
print(c.max(dim=1))
输出结果：
(tensor([0.9589, 1.7394, 1.3448, 2.2079]), tensor([2, 2, 5, 7]))
（3）使用keepdim=True可以保持应有的dim，即仅仅是将求最值的那个dim的size变成了1，返回的结果是符合原Tensor语义的。
print(c.argmax(dim=1, keepdim=True))
print(c.max(dim=1, keepdim=True))
输出结果：
tensor([[2],
[2],
[5],
[7]])
(tensor([[0.9589],
[1.7394],
[1.3448],
[2.2079]]), tensor([[2],
[2],
[5],
[7]]))
（4）取前k大/前k小/第k小的概率值及其索引
使用topk代替max可以完成更灵活的需求，有时候不是仅仅要概率大的那一个，而是概率大的k个。如果不是求大的k个，而是求最小的k个，只要使用参数largest=False，kthvalue还可以取第k小的概率值及其索引。
示例代码：
# 2个样本,分为10个类别的置信度
d = torch.randn(2, 10)
# 大概率的3个类别
print(d.topk(3, dim=1))
# 最小概率的3个类别
print(d.topk(3, dim=1, largest=False))
# 求第8小概率的类别(一共10个那就是第3大)
print(d.kthvalue(8, dim=1))
输出结果：
(tensor([[2.0692, 1.6490, 0.9526],
[1.5983, 1.5737, 1.5532]]), tensor([[6, 3, 5],
[8, 1, 2]]))
(tensor([[-1.0023, -0.6423, 0.0655],
[-1.2959, -1.1504, -0.9859]]), tensor([[4, 0, 2],
[0, 5, 3]]))
(tensor([0.9526, 1.5532]), tensor([5, 2]))
（5）比较操作
示例代码：
import torch
a = torch.randn(2, 3)
b = torch.randn(2, 3)
print(a)
print(b)
# 比较是否大于0，是对应位置返回1，否对应位置返回0，注意得到的是ByteTensor
print(a > 0)
print(torch.gt(a, 0))
# 是否不等于0，是对应位置返回1，否对应位置返回0
print(a != 0)
# 比较每个位置是否相等，是对应位置返回1，否对应位置返回0
print(torch.eq(a, b))
# 比较每个位置是否相等，全部相等时才返回True
print(torch.equal(a, b), torch.equal(a, a))
输出结果：
tensor([[-0.1425, -1.1142, 0.2224],
[ 0.6142, 1.7455, -1.1776]])
tensor([[-0.0774, -1.1012, -0.4862],
[-0.3110, -0.2110, 0.0381]])
tensor([[0, 0, 1],
[1, 1, 0]], dtype=torch.uint8)
tensor([[0, 0, 1],
[1, 1, 0]], dtype=torch.uint8)
tensor([[1, 1, 1],
[1, 1, 1]], dtype=torch.uint8)
tensor([[0, 0, 0],
[0, 0, 0]], dtype=torch.uint8)
False True
感谢各位的阅读！关于“Pytorch中Tensor怎么用”这篇文章就分享到这里了，希望以上内容可以对大家有一定的帮助，让大家可以学到更多知识，如果觉得文章不错，可以把它分享出去让更多的人看到吧！
文章标题：Pytorch中Tensor怎么用-创新互联
链接分享：
http://cdkjz.cn/article/dgogdj.html
