Pytorch框架之tensor.equal和tensor.eq--判断相等

最新推荐文章于 2024-03-29 08:54:47 发布
最新推荐文章于 2024-03-29 08:54:47 发布
阅读量1.3k 收藏 5
点赞数
分类专栏： pytorch 文章标签： pytorch
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/woxiangxinwang/article/details/122920275
版权
本文介绍了PyTorch中Tensor的eq()和equal()函数的使用，通过实例展示了它们在行人重识别Relation-Aware Global Attention模型中的应用。eq()函数用于逐元素比较张量是否相等，返回一个布尔张量，而equal()函数则判断整个张量是否相等。此外，还探讨了这两个方法在比较张量时的区别和用途。
摘要由CSDN通过智能技术生成

行人重识别Relation-Aware Global Attention的部分代码。

	N = dist_mat.size(0)  # 8

	is_pos = labels.expand(N, N).eq(labels.expand(N, N).t())
	#print(is_pos.shape)
	is_neg = labels.expand(N, N).ne(labels.expand(N, N).t())
	#print(is_neg.shape)

一、测试eq()函数：

import torch

lab = torch.tensor([389, 389, 389, 389, 628, 628, 628, 628])
print(lab.expand(8, 8))
print("****")
print(lab.expand(8, 8).t())
print("****")
print(lab.expand(8, 8).eq(lab.expand(8, 8).t()))

输出结果：

tensor([[389, 389, 389, 389, 628, 628, 628, 628],
        [389, 389, 389, 389, 628, 628, 628, 628],
        [389, 389, 389, 389, 628, 628, 628, 628],
        [389, 389, 389, 389, 628, 628, 628, 628],
        [389, 389, 389, 389, 628, 628, 628, 628],
        [389, 389, 389, 389, 628, 628, 628, 628],
        [389, 389, 389, 389, 628, 628, 628, 628],
        [389, 389, 389, 389, 628, 628, 628, 628]])
****
tensor([[389, 389, 389, 389, 389, 389, 389, 389],
        [389, 389, 389, 389, 389, 389, 389, 389],
        [389, 389, 389, 389, 389, 389, 389, 389],
        [389, 389, 389, 389, 389, 389, 389, 389],
        [628, 628, 628, 628, 628, 628, 628, 628],
        [628, 628, 628, 628, 628, 628, 628, 628],
        [628, 628, 628, 628, 628, 628, 628, 628],
        [628, 628, 628, 628, 628, 628, 628, 628]])
****
tensor([[ True,  True,  True,  True, False, False, False, False],
        [ True,  True,  True,  True, False, False, False, False],
        [ True,  True,  True,  True, False, False, False, False],
        [ True,  True,  True,  True, False, False, False, False],
        [False, False, False, False,  True,  True,  True,  True],
        [False, False, False, False,  True,  True,  True,  True],
        [False, False, False, False,  True,  True,  True,  True],
        [False, False, False, False,  True,  True,  True,  True]])

二、扩展：

扩展内容来自一篇博客：https://blog.csdn.net/weixin_44604887/article/details/109385651.

2.1、equal – 张量比较

  • 原型：equal(other)
  • 比较两个张量是否相等–相等返回：True; 否则返回：False
'''
		tensor调用equal方法与torch.equal是一致的
		都是比较两个张量是否相等
'''
x = torch.tensor([1, 2, 3])
y = torch.tensor([1, 1, 3])
print(x.equal(y))
print(x.equal(y) == torch.equal(x, y))

在这里插入图片描述

2.2、eq – 逐元素判断

  • 原型：eq(other)
  • 比较两个张量tensor中，每一个对应位置上元素是否相等–对应位置相等，就返回一个True；否则返回一个False.
'''
		逐元素进行判断是否相等
'''
x = torch.tensor([1, 2, 3])
y = torch.tensor([1, 1, 3])
print(x.eq(y))

在这里插入图片描述

2.3、eq_ – 将判断结果返回并替换原tensor

  • 原型：eq_(other)
  • 等价于tensor = tensor.eq(other); 即：将比较后的结果替换原张量的值
x = torch.tensor([1, 2, 3])
y = torch.tensor([1, 1, 3])
print(x.eq_(y))
print(x)

在这里插入图片描述

Immortal stars
关注
  • 0
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
torch 判断相等
jacke121的专栏
11-13 5933
  import torch x=torch.Tensor(0) y=torch.Tensor(1,2,3) print(torch.equal(x,torch.Tensor(0)))
Pytorch统计tensor中的相同元素的个数
qq_35605081的博客
01-11 8752
import torch class_dic={0:"Benign",1:"In Situ",2:"Invasive",3:"Normal"} results={"Benign":0,"In Situ":0,"Invasive":0,"Normal":0} c=torch.tensor([1, 1, 1, 1, 3, 2, 1, 1, 3, 3, 1, 2]) print(c) #tensor先转numpy再转list cc=c.numpy().tolist() dict = {} for key in.
Pytorch中判断两个tensor是否相等
03-10 6622
使用equal 张量比较 原型：equal(other) 比较两个张量是否相等–相等返回：True; 否则返回：False import torch a = torch.tensor([4, 2, 3, 4]) b = torch.tensor([4, 2, 3, 4]) print(a.equal(b) # 返回结果：True 使用eq 逐元素判断 原型：eq(other) 比较两个张量tensor中，每一个对应位置上元素是否相等–对应位置相等，就返回一个1；否则返回一个0. imp
pytorch a.equal(b) 与a.eq(b)
游戏boy
03-19 4138
a,b是两个列表 a.equal(b)要求整个列表完全相同才是True a.eq(b) 相同位置值相同则返回对应的True,返回的是一个列表
PyTorch中 tensor.detach() 和 tensor.data 的区别详解
09-18
在深度学习框架PyTorch中，tensor对象是数据的基本单位，它们可以进行各种操作以构建计算图。在构建和操作计算图的过程中，我们经常会需要处理tensor对象的子集或变体。此时，正确地使用tensor的属性和方法对于确保...
pytorch中torch.max和Tensor.view函数用法详解
09-18
在深度学习框架PyTorch中，torch.max和Tensor.view是两个非常重要的函数，它们分别用于查找张量中的最大值和改变张量的形状。 首先来看torch.max函数的用法。简单来说，torch.max用于返回一个张量中的最大值。例如...
pytorch中tensor.expand()和tensor.expand_as()函数详解
12-23
tensor.expend()函数 >>> import torch >>> a=torch.tensor([[2],[3],[4]]) ...可以看出expand()函数括号里面为变形后的size大小，而且原来的tensor和tensor.expand()是不共享内存的。 tensor.expand_as()函数 >>> b=
tensor.eq() tensor.item() tensor.argmax()
升级打怪之路
08-06 1383
return（返回值）：返回一个Boolean类型的张量，对两个张量Tensor进行逐元素的比较，若相同位置的两个元素相同，则返回True；官方文档：https://pytorch.org/docs/stable/generated/torch.argmax.html。对两个张量Tensor进行逐元素的比较，若相同位置的两个元素相同，则返回True；只能用于只包含一个元素的张量.对于其他的张量,请查看方法tolist().该方法的功能是以标准的Python数字的形式来返回这个张量的值.这个方法。...
PyTorch中tensor.eq()和tensor.lt()
DJames23的博客
04-29 8370
在PyTorch中Tensor的查找和筛选例子 >>> x = torch.arange(5) >>> x tensor([0, 1, 2, 3, 4]) >>> torch.gt(x,1) # 大于 tensor([0, 0, 1, 1, 1], dtype=torch.uint8) >>> x>1 # 大于 ...
pytorch 判断两个 tensor 是否相等
weixin_36670529的博客
03-16 3440
不用循环，用 pytorch 的基本函数, 非常简洁. 代码如下: import torch x = torch.tensor([[1, 2], [3, 4]]) y = torch.tensor([[1, 2], [3, 4]]) assert 0 == ((x != y).sum()) xx = torch.tensor([[1, 2], [3, 4]]) yy = torch.tensor([[2, 2], [3, 3]]) assert 0 == (xx != yy).sum() .
Pytorch判断两个tensor是否相等
热门推荐
anshiquanshu的专栏
05-19 1万+
equal – 张量比较 原型：equal(other) 比较两个张量是否相等–相等返回：True; 否则返回：False import torch a = torch.tensor([1, 2, 3, 4]) b = torch.tensor([1, 2, 3, 4]) print(a.equal(b)) # 返回结果：True eq – 逐元素判断 原型：eq(other) 比较两个张量tensor中，每一个对应位置上元素是否相等–对应位置相等，就返回一个1；否则返回一个0. impor
基于PyTorch深度学习实战入门系列-张量计算
最新发布
weixin_44144773的博客
03-29 1101
基于PyTorch深度学习实战入门系列-张量计算 张量
《torch 常用函数》
LaineGates的专栏
06-29 400
张量生成 torch.ones torch.zeros torch.tensor() 张量操作 torch.tensor.eq(x)，生成一个与当前tensor等大小的张量，如果对应位置值等于参数x，那么对应位置值为True否则False。 torch.gt(a, value) torch.tensor.squeeze(dim) torch.tensor.unsqueeze(dim) torch.tensor.view(size)根据传入的size，调整当前tensor的shape torch.nn.Mod
pytorch基操04-比较运算符
Demon_LMMan的博客
03-17 1835
目录1 torch中的比较运算符1.1 torch.equal1.2 torch.equal1.3 torch.gt1.4 torch.ge1.5 torch.lt1.6 torch.le1.7 torch.ne1.8 torch.sort1.9 torch.topk1.10 torch.kthvalue1.11 torch.isinf1.12 torch.isfinite1.13 torch.nan 1 torch中的比较运算符 为了演示不同比较运算符的作用，先初始化两个tensor a和b。 # 创建a
PyTorch学习笔记之基础函数篇（十五）
记录学习过程
03-18 1576
torch.ne() 是 PyTorch 中的一个函数，用于逐元素地比较两个张量（tensors），并返回一个布尔值张量（boolean tensor），其中每个元素表示对应位置上的第一个张量中的元素是否不等于第二个张量中的元素。torch.gt() 是 PyTorch 中的一个函数，用于逐元素地比较两个张量（tensors），并返回一个布尔值张量（boolean tensor），其中每个元素表示对应位置上的第一个张量中的元素是否大于第二个张量中的元素。
[PyTroch系列-10]：PyTorch基础 - 张量元素的比较运算
文火冰糖（王文兵）的博客
08-06 6455
作者主页(文火冰糖的硅基工坊)：https://blog.csdn.net/HiWangWenBing 本文网址： 目录 第1章 Tensor运算概述 1.1 概述 1.3 “in place“运算 1.4Tensor的广播机制: 不同维度的tensor实例运算 1.5 环境准备 1.6 比较运算概述 第2章 常规值的比较示例 2.1 equal：比较两个tensor是否完全相同 2.2 eq：比较两个tensor的每个元素是否相等关系 2.3 gt：比较两个tensor的每个...
pytorch基础知识（二）------- tensor相关操作一
qq_42368048的博客
01-27 603
tensor的常用方法一 ​
pytorch中torch.gt()，torch.lt()，torch.eq()
欢迎来到道的世界
10-26 5102
1. torch.gt(), torch.le(), torch.eq()用法介绍  pytorch中逐元素比较两个torch.tensor大小用到了如下的三个函数： torch.gt(input, other, out=None) || input.gt(other,out=None)：input 对应的元素大于other的元素会返回True，否则返回False。参数out表示为一个数或者是与第一个参数相同形状和类型的tensor。 torch.lt(input, other, out=None)||
将用tensorflow1框架的代码修改为用pytorch框架的代码
04-03
由于没有提供具体的tensorflow1代码，下面是一个简单的示例，将其转换为使用pytorch框架的代码： Tensorflow1代码： ``` import tensorflow as tf # 定义输入和输出 x = tf.placeholder(tf.float32, shape=[None, 784]) y_ = tf.placeholder(tf.float32, shape=[None, 10]) # 定义模型 W = tf.Variable(tf.zeros([784,10])) b = tf.Variable(tf.zeros([10])) y = tf.nn.softmax(tf.matmul(x,W) + b) # 定义损失函数和优化器 cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y), reduction_indices=[1])) train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy) # 训练模型 with tf.Session() as sess: sess.run(tf.global_variables_initializer()) for i in range(1000): batch_xs, batch_ys = mnist.train.next_batch(100) sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys}) # 测试模型 correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1)) accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels})) ``` Pytorch代码： ``` import torch import torch.nn as nn import torch.optim as optim from torchvision import datasets, transforms # 定义模型 class Net(nn.Module): def __init__(self): super(Net, self).__init__() self.fc1 = nn.Linear(784, 10) def forward(self, x): x = self.fc1(x) return nn.functional.softmax(x, dim=1) model = Net() criterion = nn.CrossEntropyLoss() optimizer = optim.SGD(model.parameters(), lr=0.5) # 加载数据 transform = transforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.1307,), (0.3081,)) ]) train_dataset = datasets.MNIST('./data', train=True, download=True, transform=transform) test_dataset = datasets.MNIST('./data', train=False, download=True, transform=transform) train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=100, shuffle=True) test_loader = torch.utils.data.DataLoader(test_dataset, batch_size=100, shuffle=False) # 训练模型 for epoch in range(10): for batch_idx, (data, target) in enumerate(train_loader): data = data.view(-1, 784) optimizer.zero_grad() output = model(data) loss = criterion(output, target) loss.backward() optimizer.step() # 测试模型 correct = 0 total = 0 with torch.no_grad(): for data, target in test_loader: data = data.view(-1, 784) output = model(data) _, predicted = torch.max(output.data, 1) total += target.size(0) correct += (predicted == target).sum().item() print('Accuracy: %f' % (correct/total)) ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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