目錄檢視範數
範數1：所有元素的絕對值的求和
範數2：所有元素的絕對值的平方和的開方
例子1：
a = torch.full([8],1)
b = a.view(2,4)
c = a.view(2,2,2)
a.norm(1),b.norm(1),c.norm(1)
#都是tensor(8)
a.norm(2),b.norm(2),c.norm(2)
#都是tensor(2.8284) 根號8
a = torch.full([8],1)
b = a.view(2,4)
c = a.view(2,2,2)
b.norm(1,dim=1)
#tensor([4,4]) 一共兩行 按行取
min（）：矩陣中的最小值以及相應的index
mean（）：平均值
prod（）：累乘
sum（）：求和
argmax（）：返回最大值的index
argmin（）：返回最小值的index
argmax與argmin不帶引數的話，會將矩陣先打平之後再尋找最值的index，這樣找到的index一定只是一維的，而不是打平之前的index
argmax（dim=1）來指定進行比較的方向
a = torch.randn(4,10)
a.argmax(dim=1)
#[3,8,6,4]
keepdim：在比較後保持維度，不刪除這一維
例子：
a = torch.rand(4,10)
print(a.max(dim=1))
torch.return_types.max(
values=tensor([0.9857, 0.8758, 0.5322, 0.9021]), #這裡的value的shape：dim=1
indices=tensor([5, 5, 4, 2]))
print(a.max(dim=1,keepdim=true))
torch.return_types.max(
values=tensor([[0.9857], #這裡的value的shape是【4，1】 dim=2
[0.8758],
[0.5322],
[0.9021]]),
indices=tensor([[5],
[5],
[4],
[2]]))
例子：
a = torch.rand(4,10)
print(a.topk(3,dim=1))#返回前三大的資料
torch.return_types.topk(
values=tensor([[0.8964, 0.8960, 0.8854],
[0.9808, 0.8285, 0.7648],
[0.9556, 0.7625, 0.7507],
[0.8583, 0.6822, 0.6390]]),
indices=tensor([[2, 8, 0],
[2, 9, 5],
[8, 6, 2],
[3, 5, 4]]))
a.topk(3,dim=1,largest=false)
kthvalue函式：返回第幾小的元素
例子：
a = torch.rand(4,10)
print(a.kthvalue(8,dim=1))
torch.return_types.kthvalue(
values=tensor([0.9058, 0.6853, 0.4763, 0.8167]),
indices=tensor([1, 0, 7, 3]))
例子：
a:[4,10]
a>0
返回shape【4，10】的tensor
torch.eq(a,b)：返回各個元素的比較（與原來的shape一樣）
torch.equal(a,b)：返回true或者false
tensor的維度變換
expand與repeat用法 t 轉置 transpose轉置 permute函式 例子 a torch.rand 4,1,28,28 a.view 4,28 28 例子2 a torch.rand 4,1,28,28 a.view 4 1,28,28 表示我們現在只關注feature map這個...
常用的Tensor操作
1 通過tensor.view方法可以調整tensor的形狀，但必須保證調整去前後元素總數一致。view不會修改自身的資料，返回新的tensor與原tensor共享記憶體，即更改其中的乙個，另乙個也會跟這改變。2 實際中經常需要新增或減少某一維度，可用squeeze和unsqueeze這兩函式。im...
屬性和統計量
lmz 屬性是 的輸入量 統計量是 的輸出量 屬性本質上屬於程序的變數。變數一般寫在sv tv中。但是這樣寫的缺點在於不方便修改，每次修改都得深入程序模型。屬性的值一般都在init狀態下通過核心函式讀取，然後作為程序的變數使用。這樣我們就可以在 時不用深入底層就可以改變其值 屬性提公升 屬性中分 舉...