Pytorch基础操作 —— 16. 累计运算

Function	Description	Detail
cummax	Returns a namedtuple (values, indices) where values is the cumulative maximum of elements of input in the dimension dim.	在数列中累计比较元素大小，找出每次比较结果的最大值和引索
cummin	Returns a namedtuple (values, indices) where values is the cumulative minimum of elements of input in the dimension dim.	在数列中累计比较元素大小，找出每次比较结果的最小值和引索
cumsum	Returns the cumulative sum of elements of input in the dimension dim.	以累计形式返回张量内元算的连加运算
cumprod	Returns the cumulative product of elements of input in the dimension dim.	以累计形式返回张量内元算的连乘运算
logcumsumexp	Returns the logarithm of the cumulative summation of the exponentiation of elements of input in the dimension dim.	以累计形式返回张量内各元算的log运算

torch.cummax

原型

torch.cummax(input, dim, *, out=None)

说明

对数列的元素逐个进行比较，每次得出一个最大值，并最终返回结果和引索。它对每个输出元素 $y_i$ 执行以下运算

$$y_i=max(x_1,x_2,\cdots ,x_n)$$

因此最终输出结果如下

$$y=[max(x_1),max(x_1,x_2),max(x_1,x_2,x_3),\cdots ]$$

例子

>>> a = torch.randn(10)
>>> a
tensor([-0.3449, -1.5447,  0.0685, -1.5104, -1.1706,  0.2259,  1.4696, -1.3284,
     1.9946, -0.8209])
>>> torch.cummax(a, dim=0)
torch.return_types.cummax(
    values=tensor([-0.3449, -0.3449,  0.0685,  0.0685,  0.0685,  0.2259,  1.4696,  1.4696,
     1.9946,  1.9946]),
    indices=tensor([0, 0, 2, 2, 2, 5, 6, 6, 8, 8]))

---

torch.cummin

原型

说明

对数列的元素逐个进行比较，每次得出一个最小值，并最终返回结果和引索。它对每个输出元素 $y_i$ 执行以下运算

$$y_i=min(x_1,x_2,\cdots ,x_n)$$

因此最终输出结果如下

$$y=[min(x_1),min(x_1,x_2),min(x_1,x_2,x_3),\cdots ]$$

例子

>>> a = torch.randn(10)
>>> a
tensor([-0.2284, -0.6628,  0.0975,  0.2680, -1.3298, -0.4220, -0.3885,  1.1762,
     0.9165,  1.6684])
>>> torch.cummin(a, dim=0)
torch.return_types.cummin(
    values=tensor([-0.2284, -0.6628, -0.6628, -0.6628, -1.3298, -1.3298, -1.3298, -1.3298,
    -1.3298, -1.3298]),
    indices=tensor([0, 1, 1, 1, 4, 4, 4, 4, 4, 4]))

---

torch.cumsum

原型

torch.cumsum(input, dim, *, dtype=None, out=None) → Tensor

说明

执行张量内元素连加运算，它最终返回的是一组张量，其各值如下

$$y=[x_1,x_1+x_2,\cdots ,x_1+x_2+\cdots +x_n]$$

例子

>>> a = torch.randn(10)
>>> a
tensor([-0.8286, -0.4890,  0.5155,  0.8443,  0.1865, -0.1752, -2.0595,
         0.1850, -1.1571, -0.4243])
>>> torch.cumsum(a, dim=0)
tensor([-0.8286, -1.3175, -0.8020,  0.0423,  0.2289,  0.0537, -2.0058,
        -1.8209, -2.9780, -3.4022])

---

torch.cumprod

原型

torch.cumprod(input, dim, *, dtype=None, out=None) → Tensor

说明

执行张量内元素连乘运算，它最终返回的是一组张量，其各值如下

$$y=[x_1,x_1\times x_2,\cdots ,x_1\times x_2\times \cdots \times x_n]$$

例程

所以，在下面这个例子里，序列最后的才是元素累乘后的最终值

>>> a = torch.randn(10)
>>> a
tensor([ 0.6001,  0.2069, -0.1919,  0.9792,  0.6727,  1.0062,  0.4126,
        -0.2129, -0.4206,  0.1968])
>>> torch.cumprod(a, dim=0)
tensor([ 0.6001,  0.1241, -0.0238, -0.0233, -0.0157, -0.0158, -0.0065,
         0.0014, -0.0006, -0.0001])

>>> a[5] = 0.0
>>> torch.cumprod(a, dim=0)
tensor([ 0.6001,  0.1241, -0.0238, -0.0233, -0.0157, -0.0000, -0.0000,
         0.0000, -0.0000, -0.0000])

---

torch.logcumsumexp

原型

torch.logcumsumexp(input, dim, *, out=None) → Tensor

说明

执行张量内各元素log运算

$$y_{ij}=\log \sum _{j=0}^i\exp (x_{ij})$$

例程

>>> a = torch.randn(10)
>>> torch.logcumsumexp(a, dim=0)
tensor([-0.42296738, -0.04462666,  0.86278635,  0.94622083,  1.05277811,
         1.39202815,  1.83525007,  1.84492621,  2.06084887,  2.06844475]))