PyTorch学习笔记：torch.ge、torch.gt、torch.le、torch.lt、torch.ne、torch.eq

PyTorch学习笔记：torch.ge、torch.gt、torch.le、torch.lt、torch.ne、torch.eq

介绍

torch.ge(input, other, *, out=None) → Tensor
torch.gt(input, other, *, out=None) → Tensor
torch.le(input, other, *, out=None) → Tensor
torch.lt(input, other, *, out=None) → Tensor
torch.ne(input, other, *, out=None) → Tensor
torch.eq(input, other, *, out=None) → Tensor

功能：逐元素对比

• torch.ge：实现大于等于（$\ge$）运算
• torch.gt：实现大于（$>$）运算
• torch.le：实现小于等于（$\le$）运算
• torch.lt：实现小于（$<$）运算
• torch.ne：实现不等于（$\ne$）运算
• torch.eq：实现等于（$=$）运算

前五个结合latex公式符号记忆

输入：

• input：待比较的数组
• other：比较数值，可以是数组，也可以是一个数。tensor或float格式

输出：布尔张量，尺寸和input相同，当input和other元素之间符合运算时，对应位置元素为True，否则为Flase。

注：

• 第二个参数可以是一个数字，也可以是一个张量数组，只要与第一个参数满足广播条件即可；
• 也可以通过tensor加后缀的形式实现，如a.ge，a相当于input，即待比较的数组；
• 如果输入的是数组，则必须是tensor类型

代码案例

import torch
a=torch.arange(5)
b=torch.tensor(3)
print(a)
print(b)
print(torch.ge(a,b))
print(torch.gt(a,b))
print(torch.le(a,b))
print(torch.lt(a,b))
print(torch.ne(a,b))
print(torch.eq(a,b))

输出

tensor([0, 1, 2, 3, 4])
tensor(3)
# 大于等于
tensor([False, False, False,  True,  True])
# 大于
tensor([False, False, False, False,  True])
# 小于等于
tensor([ True,  True,  True,  True, False])
# 小于
tensor([ True,  True,  True, False, False])
# 不等于
tensor([ True,  True,  True, False,  True])
# 等于
tensor([False, False, False,  True, False])

扩展

torch.eq常用于分类任务中，判断预测值是否与真实值(标签值)相等，然后再配合.sum()方法，将返回数组中True的个数求和，从而计算正确预测的个数，最终得到正确率。

代码案例

import torch
import numpy as np
# 从0,1内随机选50个数，作为标签和预测值
labels=torch.tensor(np.random.choice(2,50))
pre=torch.tensor(np.random.choice(2,50))
print(labels)
print(pre)
right=torch.eq(pre,labels).sum().item()
# .sum()是求和操作，将数组中True数量求和
# .item()方法是为了取出数值
print('正确预测:',right,'个')
acc=right/len(labels)
print('准确率为:',acc,'%')

输出

# 标签
tensor([1, 0, 1, 0, 0, 1, 1, 0, 1, 1, 1, 0, 1, 1, 1, 1, 1, 1, 0, 0, 1, 0, 0, 1,
        0, 0, 0, 1, 0, 0, 0, 1, 1, 1, 0, 0, 0, 1, 0, 1, 1, 0, 0, 1, 0, 1, 1, 0,
        1, 1], dtype=torch.int32)
# 预测值
tensor([1, 1, 0, 0, 1, 0, 0, 1, 1, 1, 1, 0, 1, 0, 1, 1, 1, 0, 0, 1, 0, 0, 0, 1,
        1, 0, 0, 0, 0, 0, 1, 1, 0, 0, 0, 0, 0, 1, 0, 1, 0, 0, 1, 1, 0, 0, 1, 0,
        0, 1], dtype=torch.int32)
正确预测: 31 个
准确率为: 0.62 %

官方文档

torch.ge()：https://pytorch.org/docs/stable/generated/torch.ge.html?highlight=torch+ge#torch.ge

torch.gt()：https://pytorch.org/docs/stable/generated/torch.gt.html?highlight=torch+gt#torch.gt

torch.le()：https://pytorch.org/docs/stable/generated/torch.le.html?highlight=torch+le#torch.le

torch.lt()：https://pytorch.org/docs/stable/generated/torch.lt.html?highlight=torch+lt#torch.lt

torch.ne()：https://pytorch.org/docs/stable/generated/torch.ne.html?highlight=torch+ne#torch.ne

torch.eq()：https://pytorch.org/docs/stable/generated/torch.eq.html?highlight=torch+eq#torch.eq

初步完稿于：2023年1月26日