Pytorch-Reduction Ops

文章目录

  • 前言
    • 1.torch.argmax()
    • 2.torch.argmin()
    • 3.torch.amax()
    • 4.torch.amin()
    • 5.torch.all()
    • 6.torch.any()
    • 7.torch.max()
    • 8.torch.dist()
    • 9.torch.logsumexp()
    • 10.torch.mean()
    • 11.torch.norm()
    • 12.torch.nansum()
    • 13.torch.prod()
    • 14.torch.cumsum()
    • 15.torch.cumprod()

前言

在这里插入图片描述

1.torch.argmax()

torch.argmax() 是 PyTorch 中的一个函数，用于在指定维度上获取张量中最大值的索引。

torch.argmax(input, dim=None, keepdim=False)
"""
input：输入张量。
dim：可选参数，指定在哪个维度上进行操作。如果未指定，
		则默认在最后一个维度上进行操作。
keepdim：可选参数，指定是否保持输出张量的维度与输入张量相同。
		默认为 False，表示不保持维度
"""

import torch

# 创建一个张量
x = torch.tensor([[1, 2, 3], [4, 5, 6]])

# 沿着第一个维度获取最大值的索引
max_indices = torch.argmax(x, dim=0)
print(max_indices)  # 输出: tensor([1, 1, 1])

2.torch.argmin()

torch.argmin() 是 PyTorch 中的一个函数，用于在指定维度上获取张量中最小值的索引。

torch.argmin(input, dim=None, keepdim=False)
"""
input：输入张量。
dim：可选参数，指定在哪个维度上进行操作。如果未指定，则默认在最后一个维度上进行操作。
keepdim：可选参数，指定是否保持输出张量的维度与输入张量相同。默认为 False，表示不保持维度。
"""

import torch

# 创建一个张量
x = torch.tensor([[3, 1, 2], [6, 5, 4]])

# 沿着第一个维度获取最小值的索引
min_indices = torch.argmin(x, dim=0)
print(min_indices)  # 输出: tensor([0, 0, 0])

3.torch.amax()

在 PyTorch 中，torch.amax() 函数用于计算张量的最大值。

torch.amax(input, dim=None, keepdim=False)
"""
input：输入张量。
dim：可选参数，指定在哪个维度上进行操作。如果未指定，则默认在所有维度上进行操作，返回张量的全局最大值。
keepdim：可选参数，指定是否保持输出张量的维度与输入张量相同。默认为 False，表示不保持维度。
"""

import torch

# 创建一个张量
x = torch.tensor([[1, 2, 3], [4, 5, 6]])

# 计算全局最大值
global_max = torch.amax(x)
print(global_max)  # 输出: tensor(6)

# 沿着第一个维度计算最大值
max_values = torch.amax(x, dim=0)
print(max_values)  # 输出: tensor([4, 5, 6])

import torch

# 创建一个张量
x = torch.tensor([[1, 2, 3], [4, 5, 6]])

# 计算全局最大值
global_max = torch.amax(x)
print(global_max)  # 输出: tensor(6)

# 沿着第一个维度计算最大值
max_values = torch.amax(x, dim=0)
print(max_values)  # 输出: tensor([4, 5, 6])

4.torch.amin()

在 PyTorch 中，torch.amin() 函数用于计算张量的最小值。

torch.amin(input, dim=None, keepdim=False)
"""
input：输入张量。
dim：可选参数，指定在哪个维度上进行操作。如果未指定，则默认在所有维度上进行操作，返回张量的全局最小值。
keepdim：可选参数，指定是否保持输出张量的维度与输入张量相同。默认为 False，表示不保持维度。
"""

import torch

# 创建一个张量
x = torch.tensor([[3, 1, 2], [6, 5, 4]])

# 计算全局最小值
global_min = torch.amin(x)
print(global_min)  # 输出: tensor(1)

# 沿着第一个维度计算最小值
min_values = torch.amin(x, dim=0)
print(min_values)  # 输出: tensor([3, 1, 2])

5.torch.all()

torch.all() 是 PyTorch 中的一个函数，用于检查张量中的所有元素是否都满足某个条件。

torch.all(input, dim=None, keepdim=False)
"""
input：输入张量。
dim：可选参数，指定在哪个维度上进行操作。如果未指定，则默认在所有元素上进行操作，返回一个标量布尔值。
keepdim：可选参数，指定是否保持输出张量的维度与输入张量相同。默认为 False，表示不保持维度。
"""

import torch

# 创建一个张量
x = torch.tensor([[True, True], [False, True]])

# 检查全局是否所有元素都为 True
global_all = torch.all(x)
print(global_all)  # 输出: tensor(False)

# 沿着第一个维度检查是否所有元素都为 True
dim_all = torch.all(x, dim=0)
print(dim_all)  # 输出: tensor([False, True])

6.torch.any()

torch.any() 是 PyTorch 中的一个函数，用于检查张量中的任意元素是否满足某个条件。

torch.any(input, dim=None, keepdim=False)
"""
input：输入张量。
dim：可选参数，指定在哪个维度上进行操作。如果未指定，则默认在所有元素上进行操作，返回一个标量布尔值。
keepdim：可选参数，指定是否保持输出张量的维度与输入张量相同。默认为 False，表示不保持维度。
"""

import torch

# 创建一个张量
x = torch.tensor([[True, True], [False, True]])

# 检查全局是否存在任意一个元素为 True
global_any = torch.any(x)
print(global_any)  # 输出: tensor(True)

# 沿着第一个维度检查是否存在任意一个元素为 True
dim_any = torch.any(x, dim=0)
print(dim_any)  # 输出: tensor([ True,  True])

7.torch.max()

torch.max() 是 PyTorch 中的一个函数，用于计算张量中的最大值。

torch.max(input, dim=None, keepdim=False, out=None)
"""
input：输入张量。
dim：可选参数，指定在哪个维度上进行操作。如果未指定，则默认在所有元素上进行操作，返回一个标量张量。
keepdim：可选参数，指定是否保持输出张量的维度与输入张量相同。默认为 False，表示不保持维度。
out：可选参数，指定输出张量作为结果的存储位置。
"""

import torch

# 创建一个张量
x = torch.tensor([[1, 2, 3], [4, 5, 6]])

# 计算全局最大值
global_max = torch.max(x)
print(global_max)  # 输出: tensor(6)

# 沿着第一维度计算最大值和对应的索引
max_values, max_indices = torch.max(x, dim=0)
print(max_values)  # 输出: tensor([4, 5, 6])
print(max_indices)  # 输出: tensor([1, 1, 1])

import torch

# 创建一个张量
x = torch.tensor([[1, 2, 3], [4, 5, 6]])

# 沿着第一维度计算最大值和对应的索引
max_values, max_indices = torch.max(x, dim=1)
print(max_values)  # 输出: tensor([3, 6])
print(max_indices)  # 输出: tensor([2, 2])

8.torch.dist()

torch.dist() 是 PyTorch 中的一个函数，用于计算两个张量之间的距离。

torch.dist(input, other, p=2)
"""
input：第一个输入张量。
other：第二个输入张量。
p：可选参数，表示要使用的距离度量。默认为 2，表示欧氏距离。
"""

import torch

# 创建两个张量
x = torch.tensor([1, 2, 3])
y = torch.tensor([4, 5, 6])

# 计算欧氏距离
distance = torch.dist(x, y)
print(distance)  # 输出: tensor(5.1962)

9.torch.logsumexp()

torch.logsumexp() 是 PyTorch 中的一个函数，用于计算张量的对数求和指数。

torch.logsumexp(x, dim) = log(sum(exp(x), dim))

torch.logsumexp(input, dim, keepdim=False, out=None)
"""
input：输入张量。
dim：指定在哪个维度上进行操作。
keepdim：可选参数，指定是否保持输出张量的维度与输入张量相同。默认为 False，表示不保持维度。
out：可选参数，指定输出张量作为结果的存储位置。
"""

import torch

# 创建一个张量
x = torch.tensor([1, 2, 3, 4])

# 计算对数求和指数
result = torch.logsumexp(x, dim=0)
print(result)  # 输出: tensor(4.4402)

10.torch.mean()

torch.mean() 是 PyTorch 中的一个函数，用于计算张量的平均值。

torch.mean(input, dim=None, keepdim=False, out=None)
"""
input：输入张量。
dim：可选参数，指定在哪个维度上进行平均值计算。如果未指定，则默认在所有元素上进行计算，返回一个标量张量。
keepdim：可选参数，指定是否保持输出张量的维度与输入张量相同。默认为 False，表示不保持维度。
out：可选参数，指定输出张量作为结果的存储位置。
"""

import torch

# 创建一个张量
x = torch.tensor([[1, 2, 3], [4, 5, 6]])

# 计算全局平均值
global_mean = torch.mean(x)
print(global_mean)  # 输出: tensor(3.5000)

# 沿着第一维度计算平均值
mean_values = torch.mean(x, dim=0)
print(mean_values)  # 输出: tensor([2.5000, 3.5000, 4.5000])

11.torch.norm()

torch.norm() 是 PyTorch 中的一个函数，用于计算张量的范数（norm）。

torch.norm(input, p='fro', dim=None, keepdim=False, out=None)
"""
input：输入张量。
p：可选参数，表示要计算的范数类型。默认为 'fro'，表示计算 Frobenius 范数。还可以指定其他值，如 1 表示计算 L1 范数，2 表示计算 L2 范数等。
dim：可选参数，指定在哪个维度上进行范数计算。如果未指定，则默认在所有元素上进行计算，返回一个标量张量。
keepdim：可选参数，指定是否保持输出张量的维度与输入张量相同。默认为 False，表示不保持维度。
out：可选参数，指定输出张量作为结果的存储位置。
"""

import torch

# 创建一个张量
x = torch.tensor([[1., 2.], [3., 4.]])

# 计算 Frobenius 范数
frobenius_norm = torch.norm(x)
print(frobenius_norm)  # 输出: tensor(5.4772)

# 计算 L1 范数
l1_norm = torch.norm(x, p=1)
print(l1_norm)  # 输出: tensor(10.)

# 计算 L2 范数
l2_norm = torch.norm(x, p=2)
print(l2_norm)  # 输出: tensor(5.4772)

# 沿着第一维度计算范数
norm_values = torch.norm(x, dim=0)
print(norm_values)  # 输出: tensor([3.1623, 4.4721])

12.torch.nansum()

torch.nansum() 是 PyTorch 中的一个函数，用于计算张量中忽略 NaN（Not a Number）值的元素之和。

torch.nansum(input, dim=None, keepdim=False, dtype=None, out=None)
"""
input：输入张量。
dim：可选参数，指定在哪个维度上进行求和。如果未指定，则默认在所有元素上进行求和，返回一个标量张量。
keepdim：可选参数，指定是否保持输出张量的维度与输入张量相同。默认为 False，表示不保持维度。
dtype：可选参数，指定输出张量的数据类型。如果未指定，则默认使用输入张量的数据类型。
out：可选参数，指定输出张量作为结果的存储位置。
"""

import torch

# 创建一个包含 NaN 值的张量
x = torch.tensor([[1, float('nan'), 3], [4, 5, float('nan')]])

# 沿着第一维度计算忽略 NaN 值后的求和
sum_values = torch.nansum(x, dim=0)
print(sum_values)  # 输出: tensor([5., 5., 3.])

13.torch.prod()

torch.prod() 是 PyTorch 中的一个函数，用于计算张量中元素的乘积。

torch.prod(input, dim=None, keepdim=False, dtype=None)
"""
input：输入张量。
dim：可选参数，指定在哪个维度上进行乘积计算。如果未指定，则默认在所有元素上进行乘积，返回一个标量张量。
keepdim：可选参数，指定是否保持输出张量的维度与输入张量相同。默认为 False，表示不保持维度。
dtype：可选参数，指定输出张量的数据类型。如果未指定，则默认使用输入张量的数据类型。
"""

import torch

# 创建一个张量
x = torch.tensor([[1, 2], [3, 4]])

# 计算所有元素的乘积
product = torch.prod(x)
print(product)  # 输出: tensor(24)

# 沿着第一维度计算乘积
product_values = torch.prod(x, dim=0)
print(product_values)  # 输出: tensor([3, 8])


# 沿着多个维度同时计算乘积
product_multiple_dims = torch.prod(x, dim=0, keepdim=True)
product_multiple_dims = torch.prod(product_multiple_dims, dim=1, keepdim=True)
print(product_multiple_dims)  # 输出: tensor([[24]])

14.torch.cumsum()

torch.cumsum() 是 PyTorch 中的一个函数，用于计算张量中元素的累积和（逐元素累积求和）。

torch.cumsum(input, dim, dtype=None)
"""
input：输入张量。
dim：指定在哪个维度上进行累积和计算。
dtype：可选参数，指定输出张量的数据类型。如果未指定，则默认使用输入张量的数据类型。
"""

import torch

# 创建一个张量
x = torch.tensor([[1, 2, 3], [4, 5, 6]])

# 沿着第一维度计算累积和
cumulative_sum = torch.cumsum(x, dim=0)
print(cumulative_sum)
# 输出:
# tensor([[1, 2, 3],
#         [5, 7, 9]])

# 沿着第二维度计算累积和
cumulative_sum_dim1 = torch.cumsum(x, dim=1)
print(cumulative_sum_dim1)
# 输出:
# tensor([[ 1,  3,  6],
#         [ 4,  9, 15]])

15.torch.cumprod()

torch.cumprod() 是 PyTorch 中的一个函数，用于计算张量中元素的累积乘积（逐元素累积求积）。

torch.cumprod(input, dim, dtype=None)
"""
input：输入张量。
dim：指定在哪个维度上进行累积乘积计算。
dtype：可选参数，指定输出张量的数据类型。如果未指定，则默认使用输入张量的数据类型
"""

import torch

# 创建一个张量
x = torch.tensor([[1, 2, 3], [4, 5, 6]])

# 沿着第一维度计算累积乘积
cumulative_product = torch.cumprod(x, dim=0)
print(cumulative_product)
# 输出:
# tensor([[ 1,  2,  3],
#         [ 4, 10, 18]])

# 沿着第二维度计算累积乘积
cumulative_product_dim1 = torch.cumprod(x, dim=1)
print(cumulative_product_dim1)
# 输出:
# tensor([[ 1,  2,  6],
#         [ 4, 20, 120]])

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mfbz.cn/a/659503.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

FastGPT + OneAPI 构建知识库

FastGPT + OneAPI 构建知识库

云端text-embedding模型 这个在前面的文章FastGPT私有化部署OneAPI配置大模型中其实已经说过，大概就是部署完成OneAPI后，分别新建令牌和渠道，并完成FastGPT的配置。 新建渠道 选择模型的类型并配置对应的词向量模型即可，这里我…
阅读更多...
代理注册湖北武汉投资管理公司流程和条件

代理注册湖北武汉投资管理公司流程和条件

我公司代理注册湖北武汉投资管理公司，现在大家都知道全国的投资管理公司已经停批了，很多需要收购的老板都是通过收购现成的投资管理公司经营的，现在我告诉大家一个好消息，我们有渠道办理湖北武汉资产管理公司，详情致电…
阅读更多...
【Linux终端探险】：从入门到熟练，玩转基础命令的秘密（一）

【Linux终端探险】：从入门到熟练，玩转基础命令的秘密（一）

文章目录 🚀Linux基础命令⭐1. 查看目录命令💥2. 切换目录👊3. 创建目录❤️4. 删除目录/文件🚲5. 修改目录/文件🌈6. 拷贝目录/文件 🚀Linux基础命令 ⭐1. 查看目录命令 在Linux中，查看目录的…
阅读更多...
【九十七】【算法分析与设计】图论,迷宫,1207. 大臣的旅费,走出迷宫,石油采集,after与迷宫,逃离迷宫,3205. 最优配餐,路径之谜

【九十七】【算法分析与设计】图论,迷宫,1207. 大臣的旅费,走出迷宫,石油采集,after与迷宫,逃离迷宫,3205. 最优配餐,路径之谜

1207. 大臣的旅费 - AcWing题库 很久以前，TT 王国空前繁荣。 为了更好地管理国家，王国修建了大量的快速路，用于连接首都和王国内的各大城市。 为节省经费，TT 国的大臣们经过思考，制定了一套优秀的修建方案，…
阅读更多...
[oeasy]python019_ 如何在github仓库中进入目录_找到程序代码_找到代码

[oeasy]python019_ 如何在github仓库中进入目录_找到程序代码_找到代码

继续运行 🥋 回忆上次内容 上上次 真写了万行代码 这 万行代码 都是写在明面上的 这次 使用git命令 下载了 github上面的仓库 下载仓库 之后 又该 怎么办呢？🤔 进入目录 首先看看 目前 在哪个目录 pwd present working directory 当前目…
阅读更多...
论文《Planning-oriented Autonomous Driving》详细解析

论文《Planning-oriented Autonomous Driving》详细解析

论文《Planning-oriented Autonomous Driving》详细解析 摘要 现代自动驾驶系统被描述为顺序执行的模块化任务，即感知、预测和规划。为了执行各种任务并实现高级别智能，当前的方法要么为每个任务部署独立的模型，要么设计带有独立头的多任务范…
阅读更多...
【YOLOv10】使用yolov10训练自己的数据集/验证 /推理 /导出模型/ONNX模型的使用

【YOLOv10】使用yolov10训练自己的数据集/验证 /推理 /导出模型/ONNX模型的使用

YOLOv10: 实时端到端的目标检测。 性能 YOLOv10比最先进的YOLOv9延迟时间更低，测试结果可以与YOLOv9媲美，可能会成为YOLO系列模型部署的“新选择”。 目录 1 数据准备 2 配置文件 3 训练 4 验证 5 预测 6 导出模型 7 ONNX模型的使用 官方论文地址…
阅读更多...
高速公路边坡监测预警系统解决方案

高速公路边坡监测预警系统解决方案

一、概述 高速公路是国家交通大动脉，高速公路的安全、稳定是人民生命安全的保障。高速公路地基和边坡在线监测系统是交接高速公路运行状态的耳目，是保证高速公路稳定、安全保障人民生命财产安全、充分发挥高速公路国家交通大动脉的重要手段。高速边坡在线…
阅读更多...
国产POE芯片，芯昇电子成熟量产POE芯片，在PSE端和PD端均成熟量产产品

国产POE芯片，芯昇电子成熟量产POE芯片，在PSE端和PD端均成熟量产产品

随着技术的发展和市场的需求，国产POE芯片已经逐渐崭露头角。在POE技术领域，POE芯片分为供电设备PSE和受电设备PD，而选择参与802.3bt标准与以太网联盟徽标计划的厂商来生产这些芯片，可以确保在互操作性和合规性上更有把握。过去…
阅读更多...
藏汉双语翻译平台，专业准确的藏语翻译工具和藏文OCR识别工具，在西藏提高工作效率的利器！

藏汉双语翻译平台，专业准确的藏语翻译工具和藏文OCR识别工具，在西藏提高工作效率的利器！

如果你正在找一款支持藏语-汉语双向翻译、操作简单、功能又丰富的藏汉在线翻译器，那就不得不推荐一下近期上线的藏汉翻译通小程序。在西藏工作、拉萨旅游或者写藏文作文时，如果你有翻译藏语的需求，那它，就能满足你，协助…
阅读更多...
脑机接口：是现代医学的外挂，更是瘫痪病人的豪赌

脑机接口：是现代医学的外挂，更是瘫痪病人的豪赌

5 月 17 日，马斯克公开表示，继今年年初首次成功将大脑芯片植入患者大脑后，Neuralink 正在寻找第二位受试者接受这项手术。 5 月 20 日，美国食品药品监督管理局 (FDA) 批准了马斯克的 Neuralink 公司为第二位患者植入脑芯片&#…
阅读更多...
JavaSE——类和对象(三)~~继承

JavaSE——类和对象(三)~~继承

目录 一.继承 1.为什么需要继承 2 .继承概念 3.继承的语法格式 4.继承的特性及好处 5.父类成员访问 6.继承关系上的代码块执行顺序​​​​​​​ 二.继承与组合 一.继承 1.为什么需要继承 Java中使用类对现实世界中实体来进行描述，类经过实例化之后的产物…
阅读更多...
2024年学浪视频怎么录屏

2024年学浪视频怎么录屏

由于学浪最新版PC学生版客户端已经有防止录屏，而且录屏效率太慢，本文将介绍你一种高效率的工具，小浪助手.exe，它可以很轻松的将你的学浪视频下载下来 学浪下载工具我已经打包好了，有需要的自己下载一下 注意&#xf…
阅读更多...
wxPython应用开发-后台线程更新大量数据到wxGrid避免ui无响应

wxPython应用开发-后台线程更新大量数据到wxGrid避免ui无响应

一、问题描述 最近几天，我在用python开发一个数据处理的小工具。需要将xls文件中的大量数据（少则几千行多则几万行）读取出来后进行处理。其中一个功能是需要实现将读取到的原始数据和计算出来的结果在软件界面中以表格形式展示出来。 在pyt…
阅读更多...
JVM学习-垃圾回收(二)

JVM学习-垃圾回收(二)

标记-清除(Mark-Sweep)算法 当堆中的有效内存空间被耗尽的时候，就会停止整个程序(stop the world)，然后进行两项工作，第一项则是标记，第二项是清除 标记：Collector从引用根节点开始遍历，标记所有被引用的…
阅读更多...
Redis分布式存储方案

Redis分布式存储方案

一、Redis分布式存储方案 1、哈希取余分区 ①、原理 哈希计算：首先，对每个键（key）进行哈希计算，得到一个整数哈希值（hash value）。取余操作：将这个哈希值对服务器数量进行取余操作…
阅读更多...
Ansible03-Ansible Playbook剧本详解

Ansible03-Ansible Playbook剧本详解

目录 写在前面5. Ansible Playbook 剧本5.1 YAML语法5.1.1 语法规定5.1.2 示例5.1.3 YAML数据类型 5.2 Playbook组件5.3 Playbook 案例5.3.1 Playbook语句5.3.2 Playbook1 分发hosts文件5.3.3 Playbook2 分发软件包，安装软件包，启动服务5.3.3.1 任务拆解…
阅读更多...
数分之SQL查询电商数据案例

数分之SQL查询电商数据案例

1,Python连接SQL数据库 以下是使用Python连接MySQL数据库并进行操作的示例代码： import random import time import pymysql# 定义名字数据 xing ["王", "李", "张", "刘", "陈", "杨", "黄&q…
阅读更多...
【火猫CS2】fantic取代C9参加YaLLa指南针

【火猫CS2】fantic取代C9参加YaLLa指南针

1、近日YaLLa Compass主办方宣布,由于Could9战队未能在截止日期前提交完整的参赛阵容,fantic战队将取代其参赛。该比赛将在阿联酋阿布扎比举行,总奖金40万美元。 最近一段时间Cloud9战队最近将electroNic转会至VP,又下放了HObbit和Perfecto,队伍因没有完整阵容已被迫退出EPL S1…
阅读更多...
服装服饰商城小程序的作用是什么

服装服饰商城小程序的作用是什么

要说服装商家，那数量是非常多，厂家/经销门店/小摊/无货源等，线上线下同行竞争激烈，虽然用户群体广涵盖每个人，但每个商家肯定都希望更多客户被自己转化，渠道运营方案营销环境等不可少。 以年轻人为主的消费…
阅读更多...
最新文章

Copyright @ 2022~2023