一.torch.mean函数
先来看示例:
x=torch.arange(15).view(5,3)
x_mean=torch.mean(x,dim=0,keepdim=True)
x_mean0=torch.mean(x,dim=1,keepdim=True)
print('before bn:')
print(x)
print('x_mean:')
print(x_mean)
print('x_mean0:')
print(x_mean0)
before bn:
0 1 2
3 4 5
6 7 8
9 10 11
12 13 14
[torch.FloatTensor of size 5x3]
x_mean:
6 7 8
[torch.FloatTensor of size 1x3]
x_mean0:
1
4
7
10
13
[torch.FloatTensor of size 5x1]
从上可以看出torch.mean(input,dim=d,keepdim=True)函数的系数的作用
输入:
1、input 是输入的tensor。
2、dim 是索引的维度,dim=0寻找每一列的最大值,dim=1寻找每一行的最大值。
3、keepdim 表示是否需要保持输出的维度与输入一样,keepdim=True表示输出和输入的维度一样,keepdim=False表示输出的维度被压缩了,也就是输出会比输入低一个维度。
比如input.shape为3*2*4,如果dim=0 那就是第0维的3变成了1,且keepdim=True时,输出结果的维度为1*2*4; 如果keepdim=false时,输出结果的维度为2*4.
以此类推 如果dim=1 那就是第1维的2变成了1,且keepdim=True时,输出结果的维度为3*1*4;如果keepdim=false时,输出结果的维度为3*4.
二.torch.max函数的用法
(max, max_indices) = torch.max(input, dim, keepdim=False)
输入:
1、input 是输入的tensor。
2、dim 是索引的维度,dim=0寻找每一列的最大值,dim=1寻找每一行的最大值。
3、keepdim 表示是否需要保持输出的维度与输入一样,keepdim=True表示输出和输入的维度一样,keepdim=False表示输出的维度被压缩了,也就是输出会比输入低一个维度。
输出:
1、max 表示取最大值后的结果。
2、max_indices 表示最大值的索引
用法示例如下:
>import torch
>import numpy as np
>x = torch.randint(0,9,(2,4))
>print(x)
tensor([[7, 8, 7, 2],
[6, 0, 3, 0]])
#取每一行的最大值,torch.max的输出结果
>y = torch.max(x, 1)
>print(y)
torch.return_types.max(values=tensor([8, 6]),indices=tensor([1, 0])) #索引值
>y = torch.max(x, 1, keepdim=True)[0]
>print(y)
>print(np.shape(y))
# keepdim=True,输出仍然是二维的
tensor([[8],
[6]])
torch.Size([2, 1])
>y = torch.max(x, 1, keepdim=False)[0]
>print(y)
>print(np.shape(y))
# keepdim=False,输出变成了一维
tensor([8, 6])
torch.Size([2])