pytorch中torch.max和Tensor.view函数用法

torch.max()

1.

torch.max()简单来说是返回一个tensor中的最大值。例如：

>>> si=torch.randn(4,5)
>>> print(si)
tensor([[ 1.1659, -1.5195,  0.0455,  1.7610, -0.2064],
        [-0.3443,  2.0483,  0.6303,  0.9475,  0.4364],
        [-1.5268, -1.0833,  1.6847,  0.0145, -0.2088],
        [-0.8681,  0.1516, -0.7764,  0.8244, -1.2194]])

>>> print(torch.max(si))
tensor(2.0483)
 

2.

这个函数的参数中还有一个dim参数，使用方法为re = torch.max(Tensor,dim),返回的re为一个二维向量，其中re[0]为最大值的Tensor，re[1]为最大值对应的index的Tensor。例如：

>>> print(torch.max(si,0)[0])
tensor([1.1659, 2.0483, 1.6847, 1.7610, 0.4364])

注意，Tensor的维度从0开始算起。在torch.max()中指定了dim之后，比如对于一个3x4x5的Tensor，指定dim为0后，得到的结果是维度为0的“每一行”对应位置求最大的那个值，此时输出的Tensor的维度是4x5.

对于简单的二维Tensor，如上面例子的这个4x5的Tensor。指定dim为0，则给出的结果是4行做比较之后的最大值；如果指定dim为1，则给出的结果是5列做比较之后的最大值，且此处做比较时是按照位置分别做比较，得到一个新的Tensor。

 

Tensor.view()

简单说就是一个把tensor 进行reshape的操作。

>>> a=torch.randn(3,4,5,7)
>>> b = a.view(1,-1)
>>> print(b.size())
torch.Size([1, 420])

其中参数-1表示剩下的值的个数一起构成一个维度。如上例中，第一个参数1将第一个维度的大小设定成1，后一个-1就是说第二个维度的大小=元素总数目/第一个维度的大小，此例中为3*4*5*7/1=420.

>>> d = a.view(a.size(0),a.size(1),-1)
>>> print(d.size())
torch.Size([3, 4, 35])

 

>>> e=a.view(4,-1,5)
>>> print(e.size())
torch.Size([4, 21, 5])