【Pytorch】torch.max() 函数详解

2023-05-16

文章目录

  • 一、一个参数时的 torch.max()
    • 1. 函数介绍
    • 2. 实例
  • 二、增加指定维度时的 torch.max()
    • 1. 函数介绍
    • 2. 实例
  • 三、两个输入张量时的 torch.max()
    • 1. 函数介绍
    • 2. 实例
  • 参考链接


一、一个参数时的 torch.max()

1. 函数介绍

torch.max(input)

参数:

  • input (Tensor) – 输入张量
  • 返回输入张量所有元素中的最大值。

2. 实例

import torch

# 返回张量中的最大值
a = torch.randn(2, 3)
print(a)
print(torch.max(a))

输出结果:

tensor([[ 0.0031, -0.5391, -0.9214],
        [-0.4647, -1.9750,  0.6924]])
tensor(0.6924)

二、增加指定维度时的 torch.max()

1. 函数介绍

torch.max(input, dim, max=None, max_indices=None) -> (Tensor, LongTensor)

返回张量 input 在压缩指定维度 dim 时的最大值及其下标。

2. 实例

import torch

# 返回张量在压缩指定维度时的最大值及其下标
b = torch.randn(4, 4)
print(b)
print(torch.max(b, 0))  # 指定0维,压缩0维,0维消失,也就是行消失,返回列最大值及其下标
print(torch.max(b, 1))  # 指定1维,压缩1维,1维消失,也就是列消失,返回行最大值及其下标

输出结果:

tensor([[-0.8862,  0.3502,  0.0223,  0.6035],
        [-2.0135, -0.1346,  2.0575,  1.4203],
        [ 1.0107,  0.9302, -0.1321,  0.0704],
        [-1.4540, -0.4780,  0.7016,  0.3029]])
torch.return_types.max(
values=tensor([1.0107, 0.9302, 2.0575, 1.4203]),
indices=tensor([2, 2, 1, 1]))
torch.return_types.max(
values=tensor([0.6035, 2.0575, 1.0107, 0.7016]),
indices=tensor([3, 2, 0, 2]))

三、两个输入张量时的 torch.max()

1. 函数介绍

torch.max(input, other_input, out=None) → Tensor

返回两张量 input 和 other_input 在对应位置上的最大值形成的新张量。

2. 实例

import torch

# 返回两张量对应位置上的最大值
c = torch.randn(4,2)
d = torch.randn(4,2)
print(c)
print(d)
print(torch.max(c, d))

输出结果:

tensor([[ 0.6778,  1.2714],
        [-0.9020, -1.3789],
        [ 0.8541,  1.2193],
        [-0.8481, -0.8211]])
tensor([[ 2.4616, -1.2502],
        [ 0.0173, -0.5501],
        [ 1.0224, -1.5892],
        [ 1.3325,  0.2587]])
tensor([[ 2.4616,  1.2714],
        [ 0.0173, -0.5501],
        [ 1.0224,  1.2193],
        [ 1.3325,  0.2587]])

参考链接

  1. 详解 torch.max 函数
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)

【Pytorch】torch.max() 函数详解 的相关文章

随机推荐

  • 【MobaXterm】登录SSH服务器

    登录SSH远程服务器 一 配置用户信息1 打开Session2 打开SSH3 新建用户4 创建用户 二 配置登录SSH服务器信息三 再次登录服务器 一 配置用户信息 1 打开Session 2 打开SSH 3 新建用户 4 创建用户 输入账
  • 【adb】 win11 配置 adb环境 史上最详细

    官网下载 adb官网下载 下载下来的压缩包platform tools r33 0 3 windows zip 我们解压得到一个platform tools 二 配置adb环境 新建系统变量 点击浏览目录选择解压的文件夹 xff0c 然后点
  • 【Dev-c++】美化配置

    概述 一个好的配置能够帮助开发者完成更便捷 更快速的开发书山有路勤为径 xff0c 学海无涯苦作舟 我是秋知叶i 期望每一个阅读了我的文章的开发者都能够有所成长 一 设置语法格式 点击工具 编辑器选项 选择 语法 点击预设这里选择 Plas
  • 嵌入式Linux调试器GDB的使用

    调试一直是程序开发的重中之重 xff0c 使用GDB调试可以帮助我们快速找到程序中的错误 注意 xff1a 在进行GDB调试之前 xff0c 程序在gcc编译时要加上 g 选项 1 进入GDB xff1a gdb 可执行文件名 2 查看GD
  • 华清数据结构项目实训——学生信息管理系统

    模块划分及主要文件 1 主程序模块 主要功能 xff1a 程序的入口 主要文件 xff1a main c 2 菜单模块 主要功能 xff1a 完成菜单的显示以及登录和调用相应功能函数 主要文件 xff1a menu h menu c 3 学
  • sqlite3的安装以及增删改查排序功能的实现

    目录 一 安装sqlite3 1 安装sqlite3数据库 xff1a 2 安装编译依赖库 3 安装可视化界面 4 验证数据库是否安装成功 二 常用数据库指令及SQL数据类型 1 常用数据库指令 2 常用SQL数据类型 三 数据库操作 1
  • C++函数模板

    前言 模板是一个通用框架 xff0c 是C 43 43 泛型编程 思想的主要体现 C 43 43 提供了函数模板 和类模板 两种模板机制 xff0c 本文介绍的是函数模板相关的知识 一 函数模板的作用及语法 作用 xff1a 用一个虚拟的类
  • MQ-2烟雾传感器

    一 MQ 2烟雾传感器简介 MQ 2常用于家庭和工厂的气体泄漏监测装置 xff0c 适宜于液化气 苯 烷 酒精 氢气 烟雾等的探测 故因此 xff0c MQ 2可以准确来说是一个多种气体探测器 MQ 2的探测范围极其的广泛 它的优点 xff
  • PX4姿态解算源码原理理解

    PX4源码原理理解一 xff0e 主要参考资料链接 xff1a 1 1 取PX4源码一小部分姿态解算来进行讲解姿态解算源码中文注释 xff1a https blog csdn net zouxu634866 article details
  • Linux 使用 curl 命令发送带参请求

    1 发送 post 请求 xff08 请求参数为 json 格式 xff09 xff1a curl i X POST H 39 Content type 39 39 application json 39 d 39 34 id 34 34
  • 理解和创建:Anaconda、Jupyterlab、虚拟环境、Kernel

    Anaconda如何创建虚拟环境并作为jupyterlab的内核使用 先明确一波概念一 虚拟环境 1 环境是什么 xff1f 2 虚拟环境是什么 xff1f 3 为什么需要创建虚拟环境 xff1f 4 Anaconda创建 激活 退出 删除
  • 【Windows】六种正确清理C盘的方法,解决你的红色烦恼

    如何正确的清理C盘 前言清理方法1 利用Windows自己附带的磁盘清理工具2 开启自动清理3 通过 配置存储感知或立即运行 来清理4 管理C盘中的程序5 系统文件夹转移6 将C盘现有内容转移到别的盘 参考链接 前言 Windows操作系统
  • 【机器学习】数据增强(Data Augmentation)

    文章目录 一 引言 背景二 为什么需要数据增强 xff1f 三 什么是数据增强 xff1f 定义分类 四 有监督的数据增强1 单样本数据增强 xff08 1 xff09 几何变换类 xff08 2 xff09 颜色变换类 2 多样本数据增强
  • 基于FRFT的雷达辐射源信号特征分析及提取

    信号在FRFT域上表示 xff0c 同时包含了信号的时域信息和频域信息 论文中提出的算法流程如图 xff1a 步骤 xff11 xff1a 提取雷达辐射源信号脉冲序列的脉冲 xff0c 进行相应的预处理 xff0c 包括带宽和能量的归一化
  • 【Linux】查看、激活、退出虚拟环境以及 CommandNotFoundError 错误解决

    文章目录 一 虚拟环境有关命令二 CommandNotFoundError Your shell has not been properly configured to use 39 conda activate 39 参考链接 一 虚拟环
  • 【PyTorch】torch.utils.data.DataLoader 简单介绍与使用

    文章目录 一 torch utils data DataLoader 简介二 实例参考链接 一 torch utils data DataLoader 简介 作用 xff1a torch utils data DataLoader 主要是对
  • 【Python】np.unique() 介绍与使用

    文章目录 一 np unique 介绍二 np unique 原型三 实例参考链接 一 np unique 介绍 对于一维数组或者列表 xff0c np unique 函数 去除其中重复的元素 xff0c 并按元素 由小到大 返回一个新的无
  • 【Pytorch】交叉熵损失函数 CrossEntropyLoss() 详解

    文章目录 一 损失函数 nn CrossEntropyLoss 二 什么是交叉熵三 Pytorch 中的 CrossEntropyLoss 函数参考链接 一 损失函数 nn CrossEntropyLoss 交叉熵损失函数 nn Cross
  • 【Linux】rm 命令:删除文件/文件夹

    文章目录 一 删除文件 文件夹 xff1a rm 命令二 删除文件 xff08 即这个文件被删除 xff09 三 删除文件夹四 注意参考链接 一 删除文件 文件夹 xff1a rm 命令 rm 是强大的删除命令 xff0c 它可以 永久性地
  • 【Pytorch】torch.max() 函数详解

    文章目录 一 一个参数时的 torch max 1 函数介绍2 实例 二 增加指定维度时的 torch max 1 函数介绍2 实例 三 两个输入张量时的 torch max 1 函数介绍2 实例 参考链接 一 一个参数时的 torch m