torch.max()函数

格式
torch.max(input, dim, keepdim=False) → output tensors (max, max_indices)
举例
dim=0

a=torch.rand(2,3,4)
a
tensor([[[0.2912, 0.8998, 0.0251, 0.8944],
         [0.9834, 0.8184, 0.1100, 0.5150],
         [0.2375, 0.0448, 0.1398, 0.4678]],
        [[0.9378, 0.0389, 0.6927, 0.4468],
         [0.6021, 0.3559, 0.9302, 0.1069],
         [0.3244, 0.5402, 0.5018, 0.6516]]])
torch.max(a,dim=0)
torch.return_types.max(
values=tensor([[0.9378, 0.8998, 0.6927, 0.8944],
        [0.9834, 0.8184, 0.9302, 0.5150],
        [0.3244, 0.5402, 0.5018, 0.6516]]),
indices=tensor([[1, 0, 1, 0],
        [0, 0, 1, 0],
        [1, 1, 1, 1]]))    

输入的tensor.shape为[2,3,4],指定比较的dim=0,shape[0]=2,返回shape为[3,4]的tensor和对应的索引。
可以看到,返回tensor的值是取每个位置对应的2个数间的最大值。
在这里插入图片描述

dim=1

a
tensor([[[0.2912, 0.8998, 0.0251, 0.8944],
         [0.9834, 0.8184, 0.1100, 0.5150],
         [0.2375, 0.0448, 0.1398, 0.4678]],
        [[0.9378, 0.0389, 0.6927, 0.4468],
         [0.6021, 0.3559, 0.9302, 0.1069],
         [0.3244, 0.5402, 0.5018, 0.6516]]])
torch.max(a,dim=1)
torch.return_types.max(
values=tensor([[0.9834, 0.8998, 0.1398, 0.8944],
        [0.9378, 0.5402, 0.9302, 0.6516]]),
indices=tensor([[1, 0, 2, 0],
        [0, 2, 1, 2]]))

输入的tensor.shape为[2,3,4],指定比较的dim=1,shape[1]=3,返回shape为[2,4]的tensor和对应的索引。
可以看到,返回tensor的值是取每个位置对应的3个数间的最大值。
在这里插入图片描述
dim=2

a
tensor([[[0.2912, 0.8998, 0.0251, 0.8944],
         [0.9834, 0.8184, 0.1100, 0.5150],
         [0.2375, 0.0448, 0.1398, 0.4678]],
        [[0.9378, 0.0389, 0.6927, 0.4468],
         [0.6021, 0.3559, 0.9302, 0.1069],
         [0.3244, 0.5402, 0.5018, 0.6516]]])
torch.max(a,dim=2)
torch.return_types.max(
values=tensor([[0.8998, 0.9834, 0.4678],
        [0.9378, 0.9302, 0.6516]]),
indices=tensor([[1, 0, 3],
        [0, 2, 3]]))

输入的tensor.shape为[2,3,4],指定比较的dim=2,shape[2]=4,返回shape为[2,3]的tensor和对应的索引。
可以看到,返回tensor的值是取每个位置对应的4个数间的最大值。

在这里插入图片描述

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
实付
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