使用torch.max函数计算一批特征图中每个通道的最大值

一、函数介绍

torch.max(input, dim, keepdim=False) 函数返回一个张量中所有元素的最大值。具体参数解释如下：

• input (Tensor) – the input tensor.（输入张量）

• dim (int) – the dimension to reduce.（在哪个维度上求张量的最大值）

• keepdim (bool) – whether the output tensor has retained or not. Default: False.（是否保持输出结果的维度与输入张量的维度一样，默认为False）

二、代码实例

1.在只有Input参数的情况下，torch.tensor(Input)返回该张量中所有元素的最大值。

import torch
a = torch.tensor([[1,2,3],[4,5,6]])
print(torch.max(a))
b = torch.Tensor([[[[  1,   2,   3],
                    [  4,   8,   6],
                    [  7,   5,   9]],

                   [[ 10,  11,  18],
                    [ 13,  14,  15],
                    [ 16,  17,  12]]],


                  [[[ 70,  20,  10],
                    [ 40,  50,  60],
                    [ 10,  80,  90]],

                   [[ 70,  170,  90],
                    [100, 110, 120],
                    [160, 80, 180]]]])
print(torch.max(b))

2.在指定某个维度dim，且keepdim参数为True的情况下，torch.max()函数仅对该维度下的数据进行最大值求解，且求解结果的维度与输入张量的维度保持一致。如下所示，张量a是一个4维张量，由于keepdim参数为True，因此torch.max的结果也是4维，若keepdim参数为False，则torch.max的结果就会变成3维。

import torch
a = torch.Tensor([[[[  1,   2,   3],
                    [  4,   8,   6],
                    [  7,   5,   9]],

                   [[ 10,  11,  18],
                    [ 13,  14,  15],
                    [ 16,  17,  12]]],


                  [[[ 70,  20,  10],
                    [ 40,  50,  60],
                    [ 10,  80,  90]],

                   [[ 70,  170,  90],
                    [100, 110, 120],
                    [160, 80, 180]]]])
print(a.shape) # torch.Size([2, 2, 3, 3])
print()

b = torch.max(a,dim=2,keepdim=True)[0] 
# 这里torch.max()返回的是最大值及最大值在指定维度上的索引
# 因此，如果我们只是想获取最大值的话，就在torch.max()后面加个[0]
print(b)
print(b.shape) # torch.Size([2, 2, 1, 3])
print()

b = torch.max(b,dim=3,keepdim=True)[0]
print(b)
print(b.shape) # torch.Size([2, 2, 1, 1])

如果你仔细看最后这个例子，就会发现，张量a其实可以看作一批图像的特征图，而经过两次torch.max后，就可以得到这一批图像的特征图中每个通道的最大值。如果我们想得到一批特征图中每个通道的最大值，从而进行一些操作（比如特征图的归一化），那么就可以这么做。

当你跌入谷底时，只要不放弃，怎么走，都会是上坡路。共勉！