Pytorch min函数详解

整了半天，不确定定义在哪个文件，看起来比较像这个。

C:\Users\Administrator\.PyCharm2018.2\system\python_stubs\1756426084\torch\_C\_TensorBase.py

    def min(self, dim=None, keepdim=False): # real signature unknown; restored from __doc__
        """
        min(dim=None, keepdim=False) -> Tensor or (Tensor, Tensor)
        
        See :func:`torch.min`
        """
        pass

 

 

①基本性质1，相同形状比较

min用于比较 Tensor和Tensor，逐元素地比较，然后返回相应位置的最小值。

box1= torch.tensor( 
    [ [2,4,1,2],[5,6,2,3]
    ]).float()
box2= torch.tensor( 
    [ [1,1,3,3],[1,1,3,3]
    ]).float()

print(box1.min(box2))

#output:
tensor([[1., 1., 1., 2.],
        [1., 1., 2., 3.]])

 

②基本性质2：不同形状比较

不同形状Tensor进行比较的基本要求是，后面的维度相容。

举例，我们构造一个(2,3,3)的tensor_example。

tensor_example = torch.tensor(
[
  [
      [1,-10, 1],
      [2, 2, 2],
      [3, 3, 3]
  ],
  [
      [4, 4, 4],
      [5,50, 5],
      [6, 6, 6]
  ]
]
)

#显然tensor_example的shape=(2,3,3)

 

所谓的后面的维度相容，在本例中可以有3种方式。

#type1，shape=(3)

#type2，shape=(3,3)

#type3，shape=(2,3,3)

 

#type1，shape=(3)

由于和(2,3,3)最后一维相容，所以可以遍历前面2维，在最后一维上逐元素地比较。

#type1 ，shape=(3)
c=torch.tensor([1,2,3])
z= tensor_example.min(c)
print(z)

#output:
tensor([[[  1, -10,   1],
         [  1,   2,   2],
         [  1,   2,   3]],

        [[  1,   2,   3],
         [  1,   2,   3],
         [  1,   2,   3]]])

#type2，shape=(3,3)

由于和(2,3,3)最后2维相容，所以可以遍历第0维，在后面2维上逐元素地比较。

#type2，shape=(3,3)
d=torch.ones(3,3)
z= tensor_example.min(d)
print(z)

#output:
tensor([[[  1, -10,   1],
         [  1,   1,   1],
         [  1,   1,   1]],

        [[  1,   1,   1],
         [  1,   1,   1],
         [  1,   1,   1]]])

 

#type3,shape=(2,3,3)

这就是特殊情况的shape完全相同了，可以直接逐元素比较。

 

 

③基本性质3：含1的不同形状比较

 与②不同的是，本例选择的向量，总有某一维为1。

那么，可以不遵守②的法则，也能进行比较。

 

举例：

t1= torch.tensor([[2.7500, 6.0000, 9.5000]])  # shape=(1,3)
t2 = torch.tensor([[2.5000],
                   [6.0000]])                #shape=(2,1)


x=t1.min(t2)
y=t2.min(t1)
print(x)
print(y)


#output:
tensor([[2.5000, 2.5000, 2.5000],
        [2.7500, 6.0000, 6.0000]])
tensor([[2.5000, 2.5000, 2.5000],
        [2.7500, 6.0000, 6.0000]])

显然 ，min函数具有交换律。交换律对上面①②两种情况也是成立的。

 

本例中，t1和t2分别为(1,3)和(2,1)的二维张量，形状不同，也显然不满足②中条件。

但是却能进行比较。

原理是，处理某一维为1的张量，可以对其进行扩展。

你可以理解为，先把t1扩展成 ( 2,3）的矩阵，再对 (2,1)的t2，在每列上进行逐元素比较。

由于具备交换律，所以，也可以说是先扩展t2再对t1进行比较。

反正结果是等价的。

 

我举的是两个都带1的特殊例子。

既然这个例子都成立，那么我们讨论更一般的情况。

如果只有一方带1，另一方不带，在什么情况下可以比较。

 

【例如 (3,3)和(3,1)，显然可以比较。】

【但是 (3,3)和(2,1)，不能进行比较。】

因为(2,1)，把1那维扩展成3之后变成(2,3)，还是与(3,3)不相容。

 

由此可以得出结论：

如果只有一方带1，另一方不带，则需要带1的Tensor将1扩展后，与不带1的Tensor的后面的维相容、

即，这种情况，先扩展，然后视为情况②，进行②的条件判定。

 

 

max函数同理，就不用说了吧。