day13 累积操作4 入门 一起学 PyTorch吧，PyTorch从入门开始 每天都更新 超详细 参数 常用方法 简单案列 共同学习，共同进步 坚持

torch . min( input , dim, min = None , min_indices = None ) -> ( input , LongTensor)  返回输入张量给定维度上每行的最小值，并同时返回每个最小值的位置索引。输出形状中，将dim维设定为1，其他与输入形状保持一致。

参数：

        -- input (Tensor) ：输入张量

        --dim (int) ：指定的维度

        --min (Tensor, optional) ：结果张量，包含给定维度上的最小值

        --min_indices (LongTensor, optional) ：结果张量，包含给定维度上每个最小值的位置索引

例子：

>> a = torch.randn(4, 4)
>> a
0.0692 0.3142 1.2513 -0.5428
0.9288 0.8552 -0.2073 0.6409
1.0695 -0.0101 -2.4507 -1.2230
0.7426 -0.7666 0.4862 -0.6628
torch.FloatTensor of size 4x4]
>> torch.min(a, 1)
-0.5428
-0.2073
-2.4507
-0.7666
torch.FloatTensor of size 4x1] 
3
2
2
1
torch.LongTensor of size 4x1]

 torch.min(input, other, out=None) -->Tensor input中逐元素与other相应位置的元素对比，返回最小值到输出张量。即，outi = min(tensori,otheri) 两张量形状不需匹配，但元素数必须相同。

        当形状不匹配时，input的形状作为返回张量的形状。

参数：

        --input (Tensor)：输入张量

        --other (Tensor)：第二个输入张量

        --out (Tensor, optional)：结果张量

例子：

>>> a = torch.randn(4)
>>> a
1.3869
0.3912
-0.8634
-0.5468
[torch.FloatTensor of size 4]

>>> b = torch.randn(4)
>>> b
1.0067
-0.8010
0.6258
0.3627
[torch.FloatTensor of size 4]

>>> torch.min(a, b)
1.0067
-0.8010
-0.8634
-0.5468
[torch.FloatTensor of size 4]

torch.ne(input, other, out=None) -->Tensor 逐元素比较input和other，即是否input ̸= other。第二个参数可以为一个数或与第一个参数相同形状和类型的张量。

参数：

        --input (Tensor)：待对比的张量

        --other (Tensor or float)：对比的张量或 float 值

        --out (Tensor, optional)：输出张量。必须为 ByteTensor 或者与 input 相同类型。

        --返回值：一个 torch.ByteTensor 张量，包含了每个位置的比较结果 (如果 tensor!= other 为 True ，返回 1)。返回类型：Tensor。

例子：

>>> torch.ne(torch.Tensor([[1, 2], [3, 4]]),
torch.Tensor([[1, 1], [4, 4]])) , →
0 1 
1 0 
[torch.ByteTensor of size 2x2]

torch . sort( input , dim = None , descending = False , out = None ) -> (Tensor, LongTensor)  对输入张量input沿着指定维按升序排序。如果不给定dim，则默认为输入的最后一维。如果指定参数descending为True，则按降序排序。返回元祖（sorted_tensor,sorted_indices）,sorted_indices为原始输入中的下标。

参数：

        -- input (Tensor) ：要对比的张量

        --dim(int,optional) ：沿着此维排序

        --descending(bool,optional) ：布尔值，控制升降排序

        --out(tuple,optional) ：输出张量。必须为 ByteTensor 或者与第一个参数 tensor相同类型。

例子：

>>> x = torch.randn(3, 4)
>>> sorted, indices = torch.sort(x)
>>> sorted
-1.6747 0.0610 0.1190 1.4137
-1.4782 0.7159 1.0341 1.3678
-0.3324 -0.0782 0.3518 0.4763
[torch.FloatTensor of size 3x4]

>>> indices
0 1 3 2 
2 1 0 3 
3 1 0 2 
[torch.LongTensor of size 3x4]
>>> sorted, indices = torch.sort(x, 0)
>>> sorted
-1.6747 -0.0782 -1.4782 -0.3324
0.3518 0.0610 0.4763 0.1190
1.0341 0.7159 1.4137 1.3678
[torch.FloatTensor of size 3x4]

>>> indices
0 2 1 2 
2 0 2 0
1 1 0 1 
[torch.LongTensor of size 3x4]

torch . topk( input , k, dim = None , largest = True , sorted = True , out = None ) -> (Tensor, LongTensor)沿给定dim维度返回输入张量Input中K个最大值。如果不指定dim,则默认为input的最后一维。如果为largest为False，则返回最小值的k个值。返回一个元祖(values,indices),其中indices是原始输入张量input中测元素下标。如果设定布尔值sorted为_True_,将会确保返回的K个值被排序。

参数：

        --input (Tensor) ：输入张量

        --k (int) ：“ top-k ”中的 k

        -- dim (int, optional) ：排序的维

        --largest (bool, optional) ：布尔值，控制返回最大或最小值

        --sorted (bool, optional) ：布尔值，控制返回值是否排序

        --out (tuple, optional) ：可选输出张量 (Tensor, LongTensor) output buffers

例子：

torch.topk(x,3) 
(tensor([5, 4, 3]), tensor([4, 3, 2]))

torch.topk(x,3,0,largest=False) 
(tensor([1, 2, 3]), tensor([0, 1, 2]))