Python中在numpy和torch.tensor形式下对max函数用法的实验

a=np.array([[1,2,3,4],[5,6,7,8],[-1,-4,-6,-9],[-1,3,-7,4]])

c,d=a.max(1)
Traceback (most recent call last):

  File "<ipython-input-11-1f6dcaa960e0>", line 1, in <module>
    c,d=a.max(1)

ValueError: too many values to unpack (expected 2)




a.max(1)
Out[12]: array([ 4,  8, -1,  4])

a.max(0)
Out[13]: array([5, 6, 7, 8])

_,c=a.max(1)
Traceback (most recent call last):

  File "<ipython-input-14-aa0718d3a962>", line 1, in <module>
    _,c=a.max(1)

ValueError: too many values to unpack (expected 2)




a=torch.from_numpy(a)

a
Out[16]: 

 1  2  3  4
 5  6  7  8
-1 -4 -6 -9
-1  3 -7  4
[torch.IntTensor of size 4x4]

_,c=a.max(1)

_
Out[18]: 

 4
 8
-1
 4
[torch.IntTensor of size 4]

c
Out[19]: 

 3
 3
 0
 3
[torch.LongTensor of size 4]

引用提到,默认情况下,返回的Tensor具有与原始张量相同的torch.dtype和torch.device。也就是说,torch.to_tensor()函数会返回一个具有与输入张量相同数据类型和设备的新张量。 但是需要注意的是,torch.to_tensor()并不是PyTorch的一个内置函数。实际上,正确的函数名应该是torch.Tensor(),它用于将输入数据转换为张量对象。 示例代码如下: ```python import torch # 将Python列表转换为张量 data = [1, 2, 3, 4, 5] tensor = torch.Tensor(data) print(tensor) # 将NumPy数组转换为张量 import numpy as np data_np = np.array([1, 2, 3, 4, 5]) tensor_np = torch.Tensor(data_np) print(tensor_np) ``` 注意,如果输入数据是多维的,则转换后的张量也会具有相应的形状。 所以,torch.to_tensor()并不是正确的函数名,正确的函数名应该是torch.Tensor(),用于将输入数据转换为张量对象。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *3* [【PyTorch系例】torch.Tensor详解和常用操作](https://blog.csdn.net/sazass/article/details/109304327)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] - *2* [【Pytorch基础教程39】torch常用tensor处理函数](https://blog.csdn.net/qq_35812205/article/details/130442457)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]
评论 1
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