Pytorch函数1 torch.max\ torch.min\ torch.squeeze\ torch.unsqueeze\ torch.rand \randn \randint

1.torch.max(input)

        输入input:任何形状的张量

        输出:返回输入张量input中所有元素的最大值 。

import torch
a = torch.randn((3,4,5))
b = torch.max(a)    # 返回所有张量中的最大值
print(a)
    tensor([[[-0.5234, -2.3275,  1.8327,  0.5354,  1.1100],
         [ 0.7137,  0.4375, -1.1837,  0.8168,  0.4115],
         [ 1.1823, -0.3772, -0.3378,  0.0248,  0.2865],
         [ 0.1679,  0.8553,  0.4570, -1.5596,  0.5309]],
        [[-0.3231, -0.3478, -0.3662, -0.2204,  0.9318],
         [ 0.5757, -1.7895,  0.6656, -2.1833,  0.4355],
         [ 1.7979,  0.4196, -0.2651,  0.2820,  0.2115],
         [-0.3352,  0.1453, -0.7170, -0.0627,  0.3263]],
        [[-1.2078,  1.0757, -0.9695, -1.9247, -1.9016],
         [ 1.4642,  0.2526,  1.3293,  0.7860,  0.3486],
         [ 0.7677,  0.0916, -0.4585, -0.5579, -1.2199],
         [-1.9069, -1.6860,  1.0152,  0.6269, -1.9427]]])
print(a.size())
    torch.Size([3, 4, 5])
print(b)
    tensor(1.8327)

torch.max(input, dim)

        输入input:  任何形状的张量  如输入为 a = torch.randn((3,4,5)) 

                                                     则张量a包含三个维度(3, 4 ,5)分别对应为0 1  2三个维度

        输入dim:  要压缩掉的维度    如dim=1 则输出a的形状由(3,4,5)变为(3, 5)

                                                     如dim=2  则输出a的形状由(3,4,5)变为(3, 4)

!!! dim等于几  就将几的维度压缩掉  注意是压缩掉 就是我只要这个维度的最大值  其余数据舍弃 !!!

        输出out:   输出一个包含两个张量的元组,

                        两个张量分别是压缩指定dim后得到的最大值新张量和最大值在指定dim的索引值

c = torch.max(a,1)  # tensor a还是上边的数据,此外max(a,1)是将a的1维压缩掉.
print(a)
    tensor([[[-0.5234, -2.3275,  1.8327,  0.5354,  1.1100],
         [ 0.7137,  0.4375, -1.1837,  0.8168,  0.4115],
         [ 1.1823, -0.3772, -0.3378,  0.0248,  0.2865],
         [ 0.1679,  0.8553,  0.4570, -1.5596,  0.5309]],
        [[-0.3231, -0.3478, -0.3662, -0.2204,  0.9318],
         [ 0.5757, -1.7895,  0.6656, -2.1833,  0.4355],
         [ 1.7979,  0.4196, -0.2651,  0.2820,  0.2115],
         [-0.3352,  0.1453, -0.7170, -0.0627,  0.3263]],
        [[-1.2078,  1.0757, -0.9695, -1.9247, -1.9016],
         [ 1.4642,  0.2526,  1.3293,  0.7860,  0.3486],
         [ 0.7677,  0.0916, -0.4585, -0.5579, -1.2199],
         [-1.9069, -1.6860,  1.0152,  0.6269, -1.9427]]])
print(c)
    torch.return_types.max(
        values=tensor([[1.1823, 0.8553, 1.8327, 0.8168, 1.1100],
                       [1.7979, 0.4196, 0.6656, 0.2820, 0.9318],
                       [1.4642, 1.0757, 1.3293, 0.7860, 0.3486]]),
        indices=tensor([[2, 3, 0, 1, 0],
                        [2, 2, 1, 2, 0],
                        [1, 0, 1, 1, 1]]))

3.torch.min() 同torch.max()

4.torch.squeeze(input, dim=None)

        输入是input,dim默认,则输出是一个将输入张量input中的所有维度中尺寸为1的维度压缩掉后的新张量,例如,如果输入为形状:(A×1×B×C×1×D),则输出张量将为形状:(A×B×C×D),就将尺寸为1的维度都扔掉.

        当dim给定时,压缩(挤压)操作只在给定的dim进行。如果输入的形状为:(A×1×B),torch.squeeze(input, 0)将使张量保持不变,而torch.squeeze(input, 1)将把张量压缩为(A×B)。

5.torch.unsqueeze(input, dim)

        即为在输入张量input的指定维度dim上增加一个尺寸为1的维度,

a = torch.randn(3,4,5)
a.size()                     # torch.Size([3, 4, 5])
a = torch.unsqueeze(a,1)     # unsqueeze 在a的1维添加一个尺寸为1的维度

a.size()                    # torch.Size([3, 1, 4, 5])
a = torch.squeeze(a)        # 将a中尺寸为1的任意维度压缩掉

a.size()            # torch.Size([3, 4, 5])

 6.torch.rand(size)

        返回一个和size形状的张量,张量中的数是来自[0,1)之间的随机数.

>>> torch.rand(4)
tensor([ 0.5204,  0.2503,  0.3525,  0.5673])
>>> torch.rand(2, 3)
tensor([[ 0.8237,  0.5781,  0.6879],
        [ 0.3816,  0.7249,  0.0998]])

 6.torch.randn(size)

        返回一个和size形状的张量,张量中的数是来自标准正态分布的随机数,均值为0,方差为1(也称为标准正态分布)。

>>> torch.randn(4)
tensor([-2.1436,  0.9966,  2.3426, -0.6366])

 6.torch.randint(low=0,high,size)

        返回一个size形状的张量,该张量中的随机整数在low(包括)和high(不包括)之间生成。

>>>torch.randint(3, 10, (2, 2))
tensor([[4, 5],
        [6, 7]])

上一篇:【预测模型-ELAMN预测】基于哈里斯鹰算法优化ELMAN神经网络实现数据回归预测matlab代码


下一篇:Matlab BPNet系统辨识