1.矩阵的分割
方法：split(分割长度,所分割的维度)，split([分割所占的百分比],所分割的维度)
a=torch.rand(32,8)
aa,bb=a.split(16,dim=0)
print(aa.shape)
print(bb.shape)
cc,dd=a.split([20,12],dim=0)
print(cc.shape)
print(dd.shape)
输出结果
torch.Size([16, 8])
torch.Size([16, 8])
torch.Size([20, 8])
torch.Size([12, 8])
2.tensor的属性统计
min(dim=1)：返回第一维的所有最小值，以及下标
max(dim=1)：返回第一维的所有最大值，以及下标
a=torch.rand(4,3)
print(a,'\n')
print(a.min(dim=1),'\n')
print(a.max(dim=1))
输出结果
tensor([[0.3876, 0.5638, 0.5768],
[0.7615, 0.9885, 0.9660],
[0.3622, 0.4334, 0.1226],
[0.9390, 0.6292, 0.8370]])
torch.return_types.min(
values=tensor([0.3876, 0.7615, 0.1226, 0.6292]),
indices=tensor([0, 0, 2, 1]))
torch.return_types.max(
values=tensor([0.5768, 0.9885, 0.4334, 0.9390]),
indices=tensor([2, 1, 1, 0]))
mean：求平均值
prod：求累乘
sum：求累加
argmin：求最小值下标
argmax：求最大值下标
a=torch.rand(1,3)
print(a)
print(a.mean())
print(a.prod())
print(a.sum())
print(a.argmin())
print(a.argmax())
输出结果
tensor([[0.5366, 0.9145, 0.0606]])
tensor(0.5039)
tensor(0.0297)
tensor(1.5117)
tensor(2)
tensor(1)
3.tensor的topk()和kthvalue()
topk(k,dim=a,largest=)：输出维度为1的前k大的值，以及它们的下标。
kthvalue(k,dim=a)：输出维度为a的第k小的值，并输出它的下标。
a=torch.rand(4,4)
print(a,'\n')
# 输出每一行中2个最大的值，并输出它们的下标
print(a.topk(2,dim=1),'\n')
# 输出每一行中3个最小的值，并输出它们的下标
print(a.topk(3,dim=1,largest=False),'\n')
# 输出每一行第2小的值，并输出下标
print(a.kthvalue(2,dim=1))
输出结果
tensor([[0.7131, 0.8148, 0.8036, 0.4720],
[0.9135, 0.4639, 0.5114, 0.2277],
[0.1314, 0.8407, 0.7990, 0.9426],
[0.6556, 0.7316, 0.9648, 0.9223]])
torch.return_types.topk(
values=tensor([[0.8148, 0.8036],
[0.9135, 0.5114],
[0.9426, 0.8407],
[0.9648, 0.9223]]),
indices=tensor([[1, 2],
[0, 2],
[3, 1],
[2, 3]]))
torch.return_types.topk(
values=tensor([[0.4720, 0.7131, 0.8036],
[0.2277, 0.4639, 0.5114],
[0.1314, 0.7990, 0.8407],
[0.6556, 0.7316, 0.9223]]),
indices=tensor([[3, 0, 2],
[3, 1, 2],
[0, 2, 1],
[0, 1, 3]]))
torch.return_types.kthvalue(
values=tensor([0.7131, 0.4639, 0.7990, 0.7316]),
indices=tensor([0, 1, 2, 1]))
