[PyTroch系列-10]：PyTorch基础 - 张量元素的比较运算

最新推荐文章于 2023-01-19 20:37:04 发布
最新推荐文章于 2023-01-19 20:37:04 发布
阅读量6.3k 收藏 11
点赞数 4
分类专栏： 人工智能-PyTorch 人工智能-深度学习 文章标签： 深度学习 Pytorch 张量 tensor 比较运算
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/HiWangWenBing/article/details/119456242
版权

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/119456242

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tensor实例运算

1.5 环境准备

1.6 比较运算概述

第2章 常规值的比较示例

2.1 equal：比较两个tensor是否完全相同

2.2 eq：比较两个tensor的每个元素是否相等关系

2.3 gt：比较两个tensor的每个元素是否为大于关系

第3章 非常规值（isxxx）的比较示例

3.1 isfinite：是否为有界限的数值

3.2 isinf：是否为无界限的数值或无穷值，如1/0就是无限值

3.3 isnan：检测张量元素是否为NAN（空数据）

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

（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tensor实例运算

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 比较运算概述

（1）概述

  • 张量比较是指张量的每个元素的的比较
  • 比较的对象，可以是两个张量之间的对应元素的比较
  • 比较的对象，可以是一个张量中的所有元素与0、指定元素、无效值NA或无穷值进行比较
  • 比较的结果是只包含true和false的张量。

（2）与常规值的比较

备注：

  • other是比较对象，可以是张量，可以是数字，默认是0
  • 比较的结果是只包含true和false的张量。

关键词说明：

  • ge; greater and equal,  大于等于
  • gt: greater than, 大于
  • le: less and equal，小于等于
  • lt:  less than，小于
  • ne: not equal，不等于
  • equal与上述几个不同，equal是比较两个张量整体是否完全相同，返回一个true或false。

（3）与非常规值的比较

备注：

isfinite：是否为有界限的数值，

isinf：是否为无界限的数值或无穷值

  • 正数/0 =》正无穷，用inf表示
  • 附属/0 =》 负无穷，用-inf表示

isnan：检测张量元素是否为nan（空数据），返回true or flase；

  • 无效数据
  • 非数字数据,
  • 0/0
  • 读取外部数据时，无输入数据

isnormal：检测张量元素是否为有效数据。

第2章 常规值的比较示例

常规值的比较，不同运算符的比较方法比较类似，这里选出几个进行示意。

2.1 equal：比较两个tensor是否完全相同

# 比较两个tensor是否完全相同
a = torch.Tensor([[1,2,3],[4,5,6]])  
print ("原数据a：")
print (a)

b = torch.Tensor([[1,2,3],[4,5,6]])  
print ("原数据b：")
print (a)

c = torch.Tensor([[0,2,3],[0,5,6]])  
print ("原数据c：")
print (a)
print ('\n')

print ("a与b比较：")
print(torch.equal(a,b))
print ("a与c比较：")
print(torch.equal(a,c))
输出：

原数据a：
tensor([[1., 2., 3.],
        [4., 5., 6.]])
原数据b：
tensor([[1., 2., 3.],
        [4., 5., 6.]])
原数据c：
tensor([[1., 2., 3.],
        [4., 5., 6.]])

2.2 eq：比较两个tensor的每个元素是否相等关系

# 比较两个tensro之间的每个元素
a = torch.Tensor([[1,2,3],[4,5,6]])  
print ("原数据a：")
print (a)


b = torch.Tensor([[1,2,3],[4,5,6]])  
print ("原数据b：")
print (a)


c = torch.Tensor([[0,2,3],[0,5,6]])  
print ("原数据c：")
print (a)
print ('\n')

print ("a与b比较：")
print(torch.eq(a,b))
print ("a与c比较：")
print(torch.eq(a,c))
输出：

原数据a：
tensor([[1., 2., 3.],
        [4., 5., 6.]])
原数据b：
tensor([[1., 2., 3.],
        [4., 5., 6.]])
原数据c：
tensor([[1., 2., 3.],
        [4., 5., 6.]])


a与b比较：
tensor([[True, True, True],
        [True, True, True]])
a与c比较：
tensor([[False,  True,  True],
        [False,  True,  True]])

2.3 gt：比较两个tensor的每个元素是否为大于关系

# 比较两个tensro之间的每个元素
a = torch.Tensor([[1,2,3],[4,5,6]])  
print ("原数据a：")
print (a)


b = torch.Tensor([[1,2,3],[4,5,6]])  
print ("原数据b：")
print (a)


c = torch.Tensor([[0,2,3],[0,5,6]])  
print ("原数据c：")
print (a)
print ('\n')

print ("a与b比较：")
print(torch.gt(a,b))
print ("a与c比较：")
print(torch.gt(a,c))
输出：

原数据a：
tensor([[1., 2., 3.],
        [4., 5., 6.]])
原数据b：
tensor([[1., 2., 3.],
        [4., 5., 6.]])
原数据c：
tensor([[1., 2., 3.],
        [4., 5., 6.]])


a与b比较：
tensor([[False, False, False],
        [False, False, False]])
a与c比较：
tensor([[ True, False, False],
        [ True, False, False]])

第3章 非常规值（isxxx）的比较示例

3.1 isfinite：是否为有界限的数值

# 比较tensor的每个元素是否为无穷数据
a = torch.Tensor([0,1,2,3,4,5,6,7,8,9])  
print ("原数据a：")
print (a)

print ("原数据b：")
b = a/0
print(b)

print ("原数据b：")
c = -a/0
print(c)

print("比较结果")
print(torch.isfinite(a))
print(torch.isfinite(b))
print(torch.isfinite(b))
输出：

原数据a：
tensor([0., 1., 2., 3., 4., 5., 6., 7., 8., 9.])
原数据b：
tensor([nan, inf, inf, inf, inf, inf, inf, inf, inf, inf])
原数据b：
tensor([nan, -inf, -inf, -inf, -inf, -inf, -inf, -inf, -inf, -inf])

是否是有限数据
tensor([True, True, True, True, True, True, True, True, True, True])
tensor([False, False, False, False, False, False, False, False, False, False])
tensor([False, False, False, False, False, False, False, False, False, False])

备注：

  • 0/0为nan数据
  • inf为正无穷
  • -inf为负无穷
  • nan不是正无穷，也不是负无穷

3.2 isinf：是否为无界限的数值或无穷值，如1/0就是无限值

# 比较tensor的每个元素是否为有限数据
a = torch.Tensor([0,1,2,3,4,5,6,7,8,9])  
print ("原数据a：")
print (a)

print ("原数据b：")
b = a/0
print(b)

print ("原数据b：")
c = -a/0
print(c)

print("比较结果")
print(torch.isinf(a))
print(torch.isinf(b))
print(torch.isinf(b))

输出：

原数据a：
tensor([0., 1., 2., 3., 4., 5., 6., 7., 8., 9.])
原数据b：
tensor([nan, inf, inf, inf, inf, inf, inf, inf, inf, inf])
原数据b：
tensor([nan, -inf, -inf, -inf, -inf, -inf, -inf, -inf, -inf, -inf])
是否是有限数据
tensor([False, False, False, False, False, False, False, False, False, False])
tensor([False,  True,  True,  True,  True,  True,  True,  True,  True,  True])
tensor([False,  True,  True,  True,  True,  True,  True,  True,  True,  True])

备注：

  • nas既不是有限数据，也不是无限数据。

3.3 isnan：检测张量元素是否为NAN（空数据）

#  比较tensor的每个元素是否为NAN
a = torch.Tensor([0,1,2,3,4,5,6,7,8,9])  
print ("原数据a：")
print (a)

print ("原数据b：")
b = a/0
print(b)

print ("原数据b：")
c = -a/0
print(c)

print("比较结果")
print(torch.isnan(a))
print(torch.isnan(b))
print(torch.isnan(b))

输出 ：

原数据a：
tensor([0., 1., 2., 3., 4., 5., 6., 7., 8., 9.])
原数据b：
tensor([nan, inf, inf, inf, inf, inf, inf, inf, inf, inf])
原数据b：
tensor([nan, -inf, -inf, -inf, -inf, -inf, -inf, -inf, -inf, -inf])
比较结果
tensor([False, False, False, False, False, False, False, False, False, False])
tensor([ True, False, False, False, False, False, False, False, False, False])
tensor([ True, False, False, False, False, False, False, False, False, False])

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/119456242

文火冰糖的硅基工坊
关注
  • 4
    点赞
  • 踩
  • 11
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
TensorFlow入门--张量运算进阶
Junds0的博客
02-09 1280
第1关：在指定位置修改维度 - expand_dims方法与squeeze方法 本关任务：编写一个可以根据要求增加或减少张量维数的小程序。 # -*- coding: utf-8 -*- import tensorflow as tf # 根据action中参数的值修改tensor的形状 # tensor是一个TensorFlow中的张量 # action是一个TensorFlow中的一维张量 (向量), 表示要对 tensor 进行操作的序列 # action的中的值 (记为x) 含义如下: # 当x大
PyTorch 基础：Tensor（张量）-谢TS的博客.pdf
07-17
PyTorch 是由 Facebook 研发的开源的深度学习框架，并且支持 CPU 和 GPU 加速计算。torch.Tensor 是包含单一数据类型元素的多维数组，它是 PyTorch 中数据存储和运算的基本单元，类似于 NumPy 的 numpy.ndarray，两者的函数接口和运算方式几乎一样。实际上 PyTorch 内部也是把 ndarray 包装成 Tensor。Tensor 中文称为 张量（可以看做是一个多维数组），是 PyTorch 中最基本的数据类型。
使用PyTorch进行深度学习：“使用PyTorch进行深度学习：零到GAN”
02-12
使用PyTorch进行深度学习 “使用PyTorch进行深度学习：零到GAN”。 本课程由机器学习的项目管理和协作平台Jovian.ml教授。 教学大纲 该课程分为6个模块，将通过视频讲座和交互式Jupyter笔记本电脑进行为期6周的教学。 每个讲座将持续2个小时左右。 第1单元：PyTorch基础知识-张量和渐变 Jupyter笔记本简介和Python数据科学 在PyTorch中创建向量，矩阵和张量 张量运算和梯度计算 PyTorch与Numpy的互操作性 单元2：线性回归和梯度下降 使用Tensor操作从头开始进行线性回归 权重，偏差和均方误差损失函数 使用PyTorch Autograd进行梯度下降和模型训练 使用PyTorch内置的线性回归（线性，线性，功能性等） 单元3：用于图像分类的逻辑回归 使用MNIST数据集中的图像 训练和验证数据集的创建 Softmax函数和分类交叉熵
pyTorch入门练习-PyTorch入门教程.md
最新发布
03-18
这个Markdown文档是一个PyTorch入门教程,主要包括以下内容: 1. 介绍了什么是PyTorch,它是一个基于Python的科学计算包,可用于NumPy的替代和深度学习研究。 2. 教授了如何创建和操作Tensors(张量),这是PyTorch中覆盖了NumPy数组的核心数据结构。包括创建、算术运算、切片索引、维度变换、Tensor和NumPy数组之间的转换等。 3. 介绍了PyTorch的自动微分(Autograd)机制,展示了如何利用自动微分计算导数和梯度。 4. 通过一个简单的前馈神经网络示例,展示了如何定义神经网络模型、计算损失函数、反向传播和使用优化器(如SGD)更新模型参数的过程。 5. 重点介绍了自动微分的计算流程,并解释了grad_fn属性在自动微分中的作用。 总的来说,这是一个很好的PyTorch入门教程,由浅入深地讲解了PyTorch中的基本概念和主要功能模块,为初学者提供了很好的学习资料。
pytorch_sparse:优化的Autograd稀疏矩阵运算的PyTorch扩展库
05-10
PyTorch稀疏 该软件包包括一个小型扩展库，该库具有自动分级支持，可优化稀疏矩阵运算。 该软件包当前包含以下方法： 所有包含的操作都适用于不同的数据类型，并且都针对CPU和GPU实施。 为了避免创建 ，此程序包仅通过将index和value张量作为参数传递（对稀疏张量的操作。 请注意，autograd支持仅包含value ，因为index是离散的，因此不可微分。 安装 二进制文件 我们为所有主要的OS / PyTorch / CUDA组合提供了点胶轮，请参见。 PyTorch 1.8.0 要安装PyTorch 1.8.0的二进制文件，只需运行 pip install torch-scatter torch-sparse -f https://pytorch-geometric.com/whl/torch-1.8.0+${CUDA}.html 其中${CUDA}应该由cpu ， cu
pytorch中判断某一个Tensor的维度数是几
m0_46483236的博客
03-24 1万+
1. 正常情况下，判断一个Tensor的维度是通过tensor.shape进行判断，例如： import torch x = torch.randint(low=-10,high=10,size=(3,6)) print(x) print(x.shape) 由此可以判断是2维（第1维有3个元素，第2维有6个元素）。 2. 但有时候，需要在代码中判断某一个Tensor到底是1维还是2维还是3维等，该如何判断呢？可以通过 len(tensor.shape) 判断，例如： import tor...
Pytorch框架之tensor.equal和tensor.eq--判断相等
笔岸柳影
10-30 1万+
pytorch的相等比较方法： equal：张量比较 eq：逐元素比较
(Pytorch)如何指定维度地判断两个tensor是否相同
qq_43391414的博客
10-10 2893
的二维矩阵，我们要判断a,b是否行向量对应相同，返回两个bool值。那么true表示两个对象行向量不相等，false表示相等。但是，现在我们的场景不一样了，例如：a,b都是相同形状。这个时候该怎么办呢？
Pytorch判断两个tensor是否相等
热门推荐
anshiquanshu的专栏
05-19 1万+
equal – 张量比较 原型：equal(other) 比较两个张量是否相等–相等返回：True; 否则返回：False import torch a = torch.tensor([1, 2, 3, 4]) b = torch.tensor([1, 2, 3, 4]) print(a.equal(b)) # 返回结果：True eq – 逐元素判断 原型：eq(other) 比较两个张量tensor中，每一个对应位置上元素是否相等–对应位置相等，就返回一个1；否则返回一个0. impor
PyTorch 笔记（08）— Tensor 比较运算（torch.gt、lt、ge、le、eq、ne、torch.topk、torch.sort、torch.max、torch.min）
wohu1104的专栏
07-21 7690
1. 说明 比较函数中有一些是逐元素比较，操作类似逐元素操作，还有一些类似归并操作，常用的比较函数如下表所示。 表中第一行的比较操作已经实现了运算符重载，因此可以使用 a>=b，a>b ，a !=b 和 a == b，其返回的结果是一个 ByteTensor，可用来选取元素。 max/min 操作有些特殊，以 max 为例，有以下三种使用情况： t.max(tensor) ： 返回 tensor 中最大的一个数； t.max(tensor，dim) ： 指定维上最大数，返回 tensor 和
pytorch-complex-tensor:Pytorch的非官方复张量和标量支持
05-14
pytorch复合张量非官方的复杂Tensor支持Pytorch这个怎么运作将张量的前半部分视作实数，将第二个视作虚数。 实现了一些算术运算以模拟复杂的算术。 支持渐变。安装pip install pytorch-complex-tensor例子： 容易...
【Pytorch基础（3）】张量的拼接，拆分与统计
lingchen1906的博客
01-19 1813
张量的拼接主要通过cat()和stack()函数实现。其中torch.cat([a, b], dim=n)是在n维度上进行两个张量的拼接，其参数n的含义代表要进行拼接操作的维度，a和b则代表要拼接的张量。在使用cat()方法时需要注意的是两个张量除了拼接的维度可以不同，其他的维度必须相同，否则会报错。示例如下：torch.stack([a, b], dim=n)是拼接两个张量a，b时，在维度n之前生成一个新的维度。
Pytorch基础-对张量的定义、运算和维度操作全解析（1）
qq_40379132的博客
04-29 3539
一、什么是张量tensor? 张量是一种特殊的数据结构，与数组和矩阵非常相似。类似于Numpy 的ndarray。 在 PyTorch 中，我们使用张量对模型的输入和输出以及模型的参数进行编码。 张量都可以通过Numpy来定义、操作，通常存储在Nunpy数组，所以这就需要我们把数据转换为Numpy数组，目的就是把所有的输入数据转变为一个统一的标准，以便能够容易的处理。 张量是根据一共具有多少坐标轴来定义。比如可以把二维张量看作为一个带有行和列的数字网格。这个行和列表示两个坐标轴，一个矩阵就是二维张量，矩
Pytorch中判断两个tensor是否相等
03-10 6489
使用equal 张量比较 原型：equal(other) 比较两个张量是否相等–相等返回：True; 否则返回：False import torch a = torch.tensor([4, 2, 3, 4]) b = torch.tensor([4, 2, 3, 4]) print(a.equal(b) # 返回结果：True 使用eq 逐元素判断 原型：eq(other) 比较两个张量tensor中，每一个对应位置上元素是否相等–对应位置相等，就返回一个1；否则返回一个0. imp
【PyTorch】PyTorch基础知识——张量
Katniss的Blog
09-13 2345
张量维度含义0维标量1维向量2维矩阵3维时间序列数据 股价 文本数据 单张彩色图片(RGB)3维 = 时间序列4维 = 图像5维 = 视频例如，一个图像可以用三个字段表示：但是，在机器学习工作中，我们经常要处理不止一张图片或一篇文档——我们要处理一个集合。我们可能有10,000张郁金香的图片，这意味着，我们将用到4D张量：在PyTorch中，是存储和变换数据的主要工具。
Tensor 比较运算符
huihuixiaoxue的博客
12-28 334
不同维不能比较，eq返回一个true，false张量；equal返回一个 排序 理解dim的意义 shape可以显示 维度
pytorch中维度不一致张量之间加减/逻辑运算问题
ytusdc的博客
11-29 2071
a 和 b 的维度相同了，可以运算了，实际运算的时候 a 和 b 都会将维度为1的轴再进行复制扩充，维度都变为(5,1,5,5)，因此可以进行加法运算了。这里 a 维度是（5,1,1,5），b 的维度是(5,5), 最终结果的 c 维度为(5,1,5,5)，这里相加操作对 a 和 b 都进行了维度扩充。例如下面的代码，b的维度低一些，所以和a相加的时候b的维度就会先扩充为[1,1,5,6]。，将 b 从右边与 a 对齐，b 的维度变为(1,1,5,5)，1、由于4不等于2，因此不可以相加。
Tensor 比较运算（torch.gt、lt、ge、le、eq、ne、torch.topk、torch.sort、torch.max、torch.min）
weixin_46088099的博客
06-28 557
pytorch 中 gt、lt、ge、le、eq、ne、torch.topk、torch.sort、torch.max、torch.min
PyTorch中张量的操作：拼接、切分、比较、索引和变换
Sakura樱_子于的专栏
02-29 1433
张量的拼接 torch.cat() torch.cat(tensors, dim=0, out=None) 功能： 将张量按维度dim进行拼接 tensors: 张量序列 dim : 要拼接的维度 t = torch.ones((2, 3)) q = torch.zeros((2, 3)) t0 = torch.cat([t, q], 0) t1 ...
pytorch张量算术运算
08-23
PyTorch提供了丰富的张量算术运算，可以对张量进行各种复杂的运算。你可以使用PyTorch的算术函数来执行加法、减法、乘法和除法操作。例如，你可以使用add()函数执行张量的加法运算，subtract()函数执行减法运算，multiply()函数执行乘法运算，divide()函数执行除法运算。 此外，PyTorch还支持复杂数的算术运算，通过安装"pytorch-complex-tensor"库，你可以使用该库中提供的ComplexTensor类来进行复杂数的模拟算术运算，该库支持渐变。你可以使用ComplexTensor类来创建初始张量，并在其中执行复杂的算术运算。 下面是一个使用PyTorch进行张量算术运算的例子： ``` import torch # 创建两个张量 a = torch.tensor([1, 2, 3]) b = torch.tensor([4, 5, 6]) # 执行加法运算 c = torch.add(a, b) # 执行减法运算 d = torch.subtract(a, b) # 执行乘法运算 e = torch.multiply(a, b) # 执行除法运算 f = torch.divide(a, b) # 输出结果 print(c) # tensor([5, 7, 9]) print(d) # tensor([-3, -3, -3]) print(e) # tensor([4, 10, 18]) print(f) # tensor([0.25, 0.4, 0.5]) ``` 通过使用PyTorch的张量算术运算，你可以对张量进行各种复杂的运算，并得到所需的结果。 <span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* [[PyTroch系列-7]：PyTorch基础 - 张量的算术运算](https://blog.csdn.net/HiWangWenBing/article/details/119428023)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] - *3* [pytorch-complex-tensor:Pytorch的非官方复张量和标量支持](https://download.csdn.net/download/weixin_42128537/18698908)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

文火冰糖的硅基工坊

你的鼓励是我前进的动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值