正文

[pytroch系列-11]：pytorch基础-张量tensor元素的排序(代码片段)

文火冰糖的硅基工坊  文火冰糖的硅基工坊  2022-12-18  637

关键词：

作者主页(文火冰糖的硅基工坊)：https://blog.csdn.net/HiWangWenBing

本文网址：https://blog.csdn.net/HiWangWenBing/article/details/119459192

第1章 Tensor运算概述

1.1 概述

1.3 “in place“运算

1.4 Tensor的广播机制: 不同维度的张量运算

1.5 环境准备

1.6 排序运算概述

第2章代码示例：sort（排序）

第3章代码示例：topk（获取前K个最值）

第4章代码示例：kthvalue（取第K个最小值）

第1章 Tensor运算概述

1.1 概述

PyTorch提供了大量的张量运算，基本上可以对标Numpy多维数组的运算，以支持对张量的各种复杂的运算。

这些操作运算中大多是对数组中每个元素执行相同的函数运算，并获得每个元素函数运算的结果序列，这些序列生成一个新的同维度的数组。

https://www.runoob.com/numpy/numpy-linear-algebra.html

1.2 运算分类

（1）算术运算：加、减、系数乘、系数除

（2）函数运算：sin，cos

（3）取整运算：上取整、下取整

（4）统计运算：最大值、最小值、均值

（5）比较运算：大于，等于，小于、排序

（6）线性代数运算：矩阵、点乘、叉乘

1.3 “in place“运算

“in place“运算不是某个特定的函数运算，而是每个函数都有自己的“in place“运算的版本。

xxx_()：执行完该操作，直接修改tensor自身的值。

基本上，每个函数都有自己的in place版本。

如

torch.cos() =》torch.cos_()

torch.floor() =》torch.floor_()

1.4 Tensor的广播机制: 不同维度的张量运算

1.5 环境准备

import numpy as np
import torch
 
print("Hello World")
print(torch.__version__)
print(torch.cuda.is_available())

1.6 排序运算概述

（1） sort：排序

可以按照不同的张量维度进行排序，有dim指定。
可以按照升序或降序排序，有descending进行排序。
out：存储输出结果的张量

（2）topk：获取前K个元素。

k：要获取的元素的个数
dim：指定dim方向，而不是全部元素
largest：取最大元素还是最小元素
sorted：向量是否已经排序，如果未排序，该函数先对张量进行排序。
out：存储输出结果的张量

（3）kthvalue：获取第K个最小值

k：指定待获取元素的序号
dim：指定操作的张量维度方向
out：存储输出结果的张量

第2章代码示例：sort（排序）

# 排序sort

a = torch.Tensor([[5,4,1],[6,3,2]])  
print ("源数据：")
print (a)
print ('\\n')

print("默认排序")
print(torch.sort(a))

print("\\ndim=1排序")
print(torch.sort(a,dim=1))

print("\\ndim=0排序")
print(torch.sort(a,dim=0))

print("\\n成员函数排序")
print(a.sort(dim=1, descending = True))
print ("\\n源数据：")
print(a)

#输出：

源数据：
tensor([[5., 4., 1.],
        [6., 3., 2.]])


默认排序
torch.return_types.sort(
values=tensor([[1., 4., 5.],
        [2., 3., 6.]]),
indices=tensor([[2, 1, 0],
        [2, 1, 0]]))

dim=1排序
torch.return_types.sort(
values=tensor([[1., 4., 5.],
        [2., 3., 6.]]),
indices=tensor([[2, 1, 0],
        [2, 1, 0]]))

dim=0排序
torch.return_types.sort(
values=tensor([[5., 3., 1.],
        [6., 4., 2.]]),
indices=tensor([[0, 1, 0],
        [1, 0, 1]]))

成员函数排序
torch.return_types.sort(
values=tensor([[5., 4., 1.],
        [6., 3., 2.]]),
indices=tensor([[0, 1, 2],
        [0, 1, 2]]))

源数据：
tensor([[5., 4., 1.],
        [6., 3., 2.]])

备注：

默认是按照dim = 1的方向进行排序
默认是按照升序排序
排序后，不影响源张量的数据
可以通过torch.sort排序，也可以通过张量的成员函数a.sort进行排序

dim = 1：对每个行向量进行排序
dim = 1：对每个列向量进行排序

第3章代码示例：topk（获取前K个最值）

# topk

a = torch.Tensor([[2,4,6,12,8,10],[1,1,5,11,11,9]])  
print ("源数据：")
print (a)

print ("\\n默认参数：")
print(torch.topk(a,2))

print ("\\n取K个最大值：")
b = torch.topk(a,k=2, largest=True)
print(b)

print ("\\n取K个最小值：")
torch.topk(a,k=2, largest=False, out=b)
print(b)

输出：

源数据：
tensor([[ 2.,  4.,  6., 12.,  8., 10.],
        [ 1.,  1.,  5., 11., 11.,  9.]])

默认参数：
torch.return_types.topk(
values=tensor([[12., 10.],
        [11., 11.]]),
indices=tensor([[3, 5],
        [3, 4]]))

取K个最大值：
torch.return_types.topk(
values=tensor([[12., 10.],
        [11., 11.]]),
indices=tensor([[3, 5],
        [3, 4]]))

取K个最小值：
torch.return_types.topk(
values=tensor([[2., 4.],
        [1., 1.]]),
indices=tensor([[0, 1],
        [0, 1]]))

备注：

对于值相同的元素，依然参与排序，并不剔除值相同的元素。
默认是k个最大值
操作后，对源张量数据无影响

第4章代码示例：kthvalue（取第K个最小值）

# kthvalue：取第K个排序后的元素

a = torch.Tensor([[2,4,6,12,8,0],[3,7,5,11,1,9]])  
print ("源数据：")
print (a)

print ("\\n源数据排序后的值：")
print (torch.sort(a))

print ("\\n默认参数取第3个最小值：：")
print(torch.kthvalue(a,3))

print ("\\n按dim=1的方向取第3个最小值：")
b = torch.kthvalue(a,k=3, dim=1)
print(b)

print ("\\n按dim=0的方向取第1个最小值：")
torch.kthvalue(a, k=1, dim=0, out=b)
print(b)

输出：

源数据：
tensor([[ 2.,  4.,  6., 12.,  8.,  0.],
        [ 3.,  7.,  5., 11.,  1.,  9.]])

源数据排序后的值：
torch.return_types.sort(
values=tensor([[ 0.,  2.,  4.,  6.,  8., 12.],
        [ 1.,  3.,  5.,  7.,  9., 11.]]),
indices=tensor([[5, 0, 1, 2, 4, 3],
        [4, 0, 2, 1, 5, 3]]))

默认参数取第3个最小值：：
torch.return_types.kthvalue(
values=tensor([4., 5.]),
indices=tensor([1, 2]))

按dim=1的方向取第3个最小值：
torch.return_types.kthvalue(
values=tensor([4., 5.]),
indices=tensor([1, 2]))

按dim=0的方向取第1个最小值：
torch.return_types.kthvalue(
values=tensor([ 2.,  4.,  5., 11.,  1.,  0.]),
indices=tensor([0, 0, 1, 1, 1, 0]))

输出：


源数据：
tensor([[ 2.,  4.,  6., 12.,  8.,  0.],
        [ 3.,  7.,  5., 11.,  1.,  9.]])

源数据排序后的值：
torch.return_types.sort(
values=tensor([[ 0.,  2.,  4.,  6.,  8., 12.],
               [ 1.,  3.,  5.,  7.,  9., 11.]]),
indices=tensor([[5, 0, 1, 2, 4, 3],
                [4, 0, 2, 1, 5, 3]]))

默认参数取第3个最小值：：
torch.return_types.kthvalue(
values=tensor([4., 5.]),
indices=tensor([1, 2]))

按dim=1的方向取第3个最小值：
torch.return_types.kthvalue(
values=tensor([4., 5.]),
indices=tensor([1, 2]))

按dim=0的方向取第1个最小值：
torch.return_types.kthvalue(
values=tensor([ 2.,  4.,  5., 11.,  1.,  0.]),
indices=tensor([0, 0, 1, 1, 1, 0]))

备注：

默认是按照dim = 1的方向，即从行向量的序列中进行比较。
在dim指定的方向的序列中，取第K个排序后的最小值。也就意味着该操作是对序列进行升序排列。

作者主页(文火冰糖的硅基工坊)：https://blog.csdn.net/HiWangWenBing

本文网址：https://blog.csdn.net/HiWangWenBing/article/details/119459192

[pytroch系列-13]：pytorch基础-张量的操作-筛选过滤(代码片段)

作者主页(文火冰糖的硅基工坊)：https://blog.csdn.net/HiWangWenBing本文网址：https://blog.csdn.net/HiWangWenBing/article/details/119465264目录第1章Tensor运算概述1.1概述1.3张量的操作与变换1.4 环境准备1.5 2.数据元素限制：clamp(inpu 查看详情

[pytroch系列-7]：pytorch基础-张量tensor的算术运算(代码片段)

作者主页(文火冰糖的硅基工坊)：https://blog.csdn.net/HiWangWenBing本文网址：https://blog.csdn.net/HiWangWenBing/article/details/119428023目录第1章 Tensor运算概述1.1概述1.3 “inplace“运算 1.4 Tensor的广播机制:不同维度的tensor实例运算查看详情

[pytroch系列-5]：pytorch基础-稀疏矩阵与其创建方法(代码片段)

作者主页(文火冰糖的硅基工坊)：https://blog.csdn.net/HiWangWenBing本文网址：https://blog.csdn.net/HiWangWenBing/article/details/119423982目录第1部分稀疏矩阵概述1.1概述1.2 COO矩阵的原理第2部分稀疏矩阵创建的代码示例2.1环境准备2.2 COO矩... 查看详情

[pytroch系列-17]：pytorch基础-张量的索引与切片(代码片段)

作者主页(文火冰糖的硅基工坊)：https://blog.csdn.net/HiWangWenBing本文网址：https://blog.csdn.net/HiWangWenBing/article/details/119678906目录第1章张量的索引与切片1.1张量的维度方向1.2张量元素的访问：下标1.3.张量元素的下标切片1.4... 查看详情

[pytroch系列-4]：pytorch基础-张量（tensor）的创建方法(代码片段)

作者主页(文火冰糖的硅基工坊)：https://blog.csdn.net/HiWangWenBing本文网址：https://blog.csdn.net/HiWangWenBing/article/details/119424611目录第1部分前置条件1.1导入库及检查版本1.2HelloWorld第2部分创建普通Tensor实例的代码示例2.1通过函数... 查看详情

[pytroch系列-15]：pytorch基础-张量的操作-拆分与分割(代码片段)

作者主页(文火冰糖的硅基工坊)：https://blog.csdn.net/HiWangWenBing本文网址：https://blog.csdn.net/HiWangWenBing/article/details/119489896目录第1章Tensor运算概述1.1概述1.3张量的操作与变换1.4 环境准备1.5 张量的操作-拆分与分割第2章平... 查看详情

[pytroch系列-14]：pytorch基础-张量的操作-拼接与堆叠(代码片段)

作者主页(文火冰糖的硅基工坊)：https://blog.csdn.net/HiWangWenBing本文网址：https://blog.csdn.net/HiWangWenBing/article/details/119481948目录第1章Tensor运算概述1.1概述1.3张量的操作与变换1.4 环境准备1.5 张量的操作-拼接与堆叠第2章增加... 查看详情

[pytroch系列-9]：pytorch基础-张量tensor元素的统计运算(代码片段)

作者主页(文火冰糖的硅基工坊)：https://blog.csdn.net/HiWangWenBing本文网址：https://blog.csdn.net/HiWangWenBing/article/details/119443802目录第1章Tensor运算概述1.1概述1.3 “inplace“运算 1.4 Tensor的广播机制:不同维度的tensor实例运算1 查看详情

[pytroch系列-8]：pytorch基础-张量tensor的取整运算(代码片段)

作者主页(文火冰糖的硅基工坊)：https://blog.csdn.net/HiWangWenBing本文网址：https://blog.csdn.net/HiWangWenBing/article/details/119429253目录第1章Tensor运算概述1.1概述1.3 “inplace“运算 1.4 Tensor的广播机制:不同维度的tensor实例运算1 查看详情

[pytroch系列-10]：pytorch基础-张量tensor元素的比较运算(代码片段)

作者主页(文火冰糖的硅基工坊)：https://blog.csdn.net/HiWangWenBing本文网址：https://blog.csdn.net/HiWangWenBing/article/details/119456242目录第1章Tensor运算概述1.1概述1.3 “inplace“运算 1.4 Tensor的广播机制:不同维度的tensor实例运算1. 查看详情

[pytroch系列-12]：pytorch基础-张量tensor线性运算（点乘叉乘）(代码片段)

作者主页(文火冰糖的硅基工坊)：https://blog.csdn.net/HiWangWenBing本文网址：https://blog.csdn.net/HiWangWenBing/article/details/119463478目录第1章Tensor运算概述1.1概述1.3 “inplace“运算 1.4 Tensor的广播机制:不同维度的张量运算1.5环境准... 查看详情

[pytroch系列-6]：pytorch基础-张量tensor的三角函数运算(代码片段)

作者主页(文火冰糖的硅基工坊)：https://blog.csdn.net/HiWangWenBing本文网址：https://blog.csdn.net/HiWangWenBing/article/details/119384608目录第1部分：Tensor运算概述1.1概述1.3 “inplace“运算 1.4 Tensor的广播机制:不同维度的ten 查看详情

[pytroch系列-3]：pytorch基础-helloworld程序与张量（tensor）概述(代码片段)

作者主页(文火冰糖的硅基工坊)：https://blog.csdn.net/HiWangWenBing本文网址：https://blog.csdn.net/HiWangWenBing/article/details/119378227目录1.导入库及检查版本2.HelloWorld3.基本数据单元3.1 torch支持的数据结构3.2 数据的类型：dtyp 查看详情

pytorch基础的基本概念(代码片段)

1.什么是Pytorch，为什么选择Pytroch？2.Pytroch的安装3.配置Python环境4.准备Python管理器5.通过命令行安装PyTorch6.PyTorch基础概念GPU云服务器默认提供了pytorch的环境,7.通用代码实现流程(实现一个深度学习的代码流程)importtorchimporttorch.nnasn... 查看详情

[pytroch系列-2]：facebookpytroch简介生态环境开发架构软件架构

作者主页(文火冰糖的硅基工坊)：https://blog.csdn.net/HiWangWenBing本文网址：https://blog.csdn.net/HiWangWenBing/article/details/119361338第1章什么是PyTroch？PyTorch由Facebook人工智能研究院（FAIR）基于Tor 查看详情

[pytorch系列-23]：pytorch基础-其他

。。。。。。。查看详情

[pytroch系列-1]：pytroch深度学习框架的详细安装过程(代码片段)

作者主页(文火冰糖的硅基工坊)：https://blog.csdn.net/HiWangWenBing本文网址：https://blog.csdn.net/HiWangWenBing/article/details/119160541目录1.PyTroch概述2.PyTroch深度学习框架的详细安装过程2.1登录到PyTroch官网2.2不带GPU硬件平台的PyTroc 查看详情

[pytorch系列-18]：pytorch基础-张量的范数(代码片段)

作者主页(文火冰糖的硅基工坊)：https://blog.csdn.net/HiWangWenBing本文网址：https://blog.csdn.net/HiWangWenBing/article/details/119707901目录第1章什么是范数1.1常见的范数与定义1.2代码演示的前置条件1.3范数的函数说明：torch.norm(input,p 查看详情

正文

[pytroch系列-11]：pytorch基础-张量tensor元素的排序(代码片段)

第1章 Tensor运算概述

1.1 概述

1.3 “in place“运算

1.4 Tensor的广播机制: 不同维度的张量运算

1.5 环境准备

1.6 排序运算概述

第2章 代码示例：sort（排序）

第3章 代码示例：topk（获取前K个最值）

第4章 代码示例：kthvalue（取第K个最小值）

[pytroch系列-13]：pytorch基础-张量的操作-筛选过滤(代码片段)

[pytroch系列-7]：pytorch基础-张量tensor的算术运算(代码片段)

[pytroch系列-5]：pytorch基础-稀疏矩阵与其创建方法(代码片段)

[pytroch系列-17]：pytorch基础-张量的索引与切片(代码片段)

[pytroch系列-4]：pytorch基础-张量（tensor）的创建方法(代码片段)

[pytroch系列-15]：pytorch基础-张量的操作-拆分与分割(代码片段)

[pytroch系列-14]：pytorch基础-张量的操作-拼接与堆叠(代码片段)

[pytroch系列-9]：pytorch基础-张量tensor元素的统计运算(代码片段)

[pytroch系列-8]：pytorch基础-张量tensor的取整运算(代码片段)

[pytroch系列-10]：pytorch基础-张量tensor元素的比较运算(代码片段)

[pytroch系列-12]：pytorch基础-张量tensor线性运算（点乘叉乘）(代码片段)

[pytroch系列-6]：pytorch基础-张量tensor的三角函数运算(代码片段)

[pytroch系列-3]：pytorch基础-helloworld程序与张量（tensor）概述(代码片段)

pytorch基础的基本概念(代码片段)

[pytroch系列-2]：facebookpytroch简介生态环境开发架构软件架构

[pytorch系列-23]：pytorch基础-其他

[pytroch系列-1]：pytroch深度学习框架的详细安装过程(代码片段)

[pytorch系列-18]：pytorch基础-张量的范数(代码片段)

第2章代码示例：sort（排序）

第3章代码示例：topk（获取前K个最值）

第4章代码示例：kthvalue（取第K个最小值）