| [PyTroch系列 | 您所在的位置：网站首页 › 怎么将数据随机排序 › [PyTroch系列 |
[PyTroch系列
|
作者主页(文火冰糖的硅基工坊)：https://blog.csdn.net/HiWangWenBing 作者主页(文火冰糖的硅基工坊)：https://blog.csdn.net/HiWangWenBing 本文网址：https://blog.csdn.net/HiWangWenBing/article/details/119459192 目录 第1章 Tensor运算概述 1.1 概述 1.3 “in place“运算 1.4 Tensor的广播机制: 不同维度的张量运算 1.5 环境准备 1.6 排序运算概述 第2章 代码示例：sort（排序） 第3章 代码示例：topk（获取前K个最值） 第4章 代码示例：kthvalue（取第K个最小值） 第1章 Tensor运算概述 1.1 概述PyTorch提供了大量的张量运算，基本上可以对标Numpy多维数组的运算，以支持对张量的各种复杂的运算。 这些操作运算中大多是对数组中每个元素执行相同的函数运算，并获得每个元素函数运算的结果序列，这些序列生成一个新的同维度的数组。 https://www.runoob.com/numpy/numpy-linear-algebra.html
1.2 运算分类 （1）算术运算：加、减、系数乘、系数除 （2）函数运算：sin，cos （3）取整运算：上取整、下取整 （4）统计运算：最大值、最小值、均值 （5）比较运算：大于，等于，小于、排序 （6）线性代数运算：矩阵、点乘、叉乘 1.3 “in place“运算“in place“运算不是某个特定的函数运算，而是每个函数都有自己的“in place“运算的版本。 xxx_()：执行完该操作，直接修改tensor自身的值。 基本上，每个函数都有自己的in place版本。 如 torch.cos() =》torch.cos_() torch.floor() =》torch.floor_() 1.4 Tensor的广播机制: 不同维度的张量运算 1.5 环境准备 import numpy as np import torch print("Hello World") print(torch.__version__) print(torch.cuda.is_available()) 1.6 排序运算概述
（1） sort：排序 可以按照不同的张量维度进行排序，有dim指定。可以按照升序或降序排序，有descending进行排序。out：存储输出结果的张量（2）topk：获取前K个元素。 k：要获取的元素的个数dim：指定dim方向，而不是全部元素largest：取最大元素还是最小元素sorted：向量是否已经排序，如果未排序，该函数先对张量进行排序。out：存储输出结果的张量（3）kthvalue：获取第K个最小值 k：指定待获取元素的序号dim：指定操作的张量维度方向out：存储输出结果的张量 第2章 代码示例：sort（排序） # 排序sort a = torch.Tensor([[5,4,1],[6,3,2]]) print ("源数据：") print (a) print ('\n') print("默认排序") print(torch.sort(a)) print("\ndim=1排序") print(torch.sort(a,dim=1)) print("\ndim=0排序") print(torch.sort(a,dim=0)) print("\n成员函数排序") print(a.sort(dim=1, descending = True)) print ("\n源数据：") print(a) #输出： 源数据： tensor([[5., 4., 1.], [6., 3., 2.]]) 默认排序 torch.return_types.sort( values=tensor([[1., 4., 5.], [2., 3., 6.]]), indices=tensor([[2, 1, 0], [2, 1, 0]])) dim=1排序 torch.return_types.sort( values=tensor([[1., 4., 5.], [2., 3., 6.]]), indices=tensor([[2, 1, 0], [2, 1, 0]])) dim=0排序 torch.return_types.sort( values=tensor([[5., 3., 1.], [6., 4., 2.]]), indices=tensor([[0, 1, 0], [1, 0, 1]])) 成员函数排序 torch.return_types.sort( values=tensor([[5., 4., 1.], [6., 3., 2.]]), indices=tensor([[0, 1, 2], [0, 1, 2]])) 源数据： tensor([[5., 4., 1.], [6., 3., 2.]])备注： 默认是按照dim = 1的方向进行排序默认是按照升序排序排序后，不影响源张量的数据可以通过torch.sort排序，也可以通过张量的成员函数a.sort进行排序 dim = 1：对每个行向量进行排序dim = 1：对每个列向量进行排序 第3章 代码示例：topk（获取前K个最值） # topk a = torch.Tensor([[2,4,6,12,8,10],[1,1,5,11,11,9]]) print ("源数据：") print (a) print ("\n默认参数：") print(torch.topk(a,2)) print ("\n取K个最大值：") b = torch.topk(a,k=2, largest=True) print(b) print ("\n取K个最小值：") torch.topk(a,k=2, largest=False, out=b) print(b) 输出： 源数据： tensor([[ 2., 4., 6., 12., 8., 10.], [ 1., 1., 5., 11., 11., 9.]]) 默认参数： torch.return_types.topk( values=tensor([[12., 10.], [11., 11.]]), indices=tensor([[3, 5], [3, 4]])) 取K个最大值： torch.return_types.topk( values=tensor([[12., 10.], [11., 11.]]), indices=tensor([[3, 5], [3, 4]])) 取K个最小值： torch.return_types.topk( values=tensor([[2., 4.], [1., 1.]]), indices=tensor([[0, 1], [0, 1]]))备注： 对于值相同的元素，依然参与排序，并不剔除值相同的元素。默认是k个最大值操作后，对源张量数据无影响 第4章 代码示例：kthvalue（取第K个最小值） # kthvalue：取第K个排序后的元素 a = torch.Tensor([[2,4,6,12,8,0],[3,7,5,11,1,9]]) print ("源数据：") print (a) print ("\n源数据排序后的值：") print (torch.sort(a)) print ("\n默认参数取第3个最小值：：") print(torch.kthvalue(a,3)) print ("\n按dim=1的方向取第3个最小值：") b = torch.kthvalue(a,k=3, dim=1) print(b) print ("\n按dim=0的方向取第1个最小值：") torch.kthvalue(a, k=1, dim=0, out=b) print(b) 输出： 源数据： tensor([[ 2., 4., 6., 12., 8., 0.], [ 3., 7., 5., 11., 1., 9.]]) 源数据排序后的值： torch.return_types.sort( values=tensor([[ 0., 2., 4., 6., 8., 12.], [ 1., 3., 5., 7., 9., 11.]]), indices=tensor([[5, 0, 1, 2, 4, 3], [4, 0, 2, 1, 5, 3]])) 默认参数取第3个最小值：： torch.return_types.kthvalue( values=tensor([4., 5.]), indices=tensor([1, 2])) 按dim=1的方向取第3个最小值： torch.return_types.kthvalue( values=tensor([4., 5.]), indices=tensor([1, 2])) 按dim=0的方向取第1个最小值： torch.return_types.kthvalue( values=tensor([ 2., 4., 5., 11., 1., 0.]), indices=tensor([0, 0, 1, 1, 1, 0])) 输出： 源数据： tensor([[ 2., 4., 6., 12., 8., 0.], [ 3., 7., 5., 11., 1., 9.]]) 源数据排序后的值： torch.return_types.sort( values=tensor([[ 0., 2., 4., 6., 8., 12.], [ 1., 3., 5., 7., 9., 11.]]), indices=tensor([[5, 0, 1, 2, 4, 3], [4, 0, 2, 1, 5, 3]])) 默认参数取第3个最小值：： torch.return_types.kthvalue( values=tensor([4., 5.]), indices=tensor([1, 2])) 按dim=1的方向取第3个最小值： torch.return_types.kthvalue( values=tensor([4., 5.]), indices=tensor([1, 2])) 按dim=0的方向取第1个最小值： torch.return_types.kthvalue( values=tensor([ 2., 4., 5., 11., 1., 0.]), indices=tensor([0, 0, 1, 1, 1, 0]))备注： 默认是按照dim = 1的方向，即从行向量的序列中进行比较。在dim指定的方向的序列中，取第K个排序后的最小值。也就意味着该操作是对序列进行升序排列。作者主页(文火冰糖的硅基工坊)：https://blog.csdn.net/HiWangWenBing 本文网址：https://blog.csdn.net/HiWangWenBing/article/details/119459192
|
【本文地址】
公司简介
联系我们