网站建设运营成本长沙行业网站建设

1、tensor.view()函数，通俗理解就是reshape，#参数这里的-1需要注意，可以根据原张量size自行计算

data1=torch.randn((4,2))
data2=data1.view(2,4)
data3=data2.view(-1,8)

2、tensor.max()函数，在分类问题中，通常需要使用max()函数对softmax函数的输出值进行操作，求出预测值索引，然后与标签进行比对，计算准确率。
output = torch.max(input, dim)
输入：
input是一个tensor
dim是max函数索引的维度0/1，0是每列的最大值，1是每行的最大值
输出：
函数会返回两个tensor，第一个tensor是每行/列的最大值；第二个tensor是每行/列最大值的索引。
3、tensor equal 张量比较
equal:比较两个张量是否相等–相等返回：True; 否则返回：False
eq: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.
eq_: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. 并替换原张量

x = torch.tensor([1, 3, 5])
y = torch.tensor([1, 3, 7])
print(x.equal(y))
print(x.eq(y))
print(x.eq_(y))
print(x)
#输出
#False
#tensor([ True,  True, False])
#tensor([1, 1, 0])
#tensor([1, 1, 0])

4、tensor.squeeze()和tensor.unsqueeze()函数
tensor.unsqueeze(z),就是指在原有维度的x前面再加一个维度。就是扩充（维度增加，升维）
tensor.squeeze(z),就是指在维度为x的位置前减少一个维度。就是压缩（维度减少，降维）
只有某个维度是1，这个维度才能被压缩

import torch
data=torch.randn((3,4))
print(data.size())
data_up=data.unsqueeze(0)
print(data_up.size())
data_down=data_up.squeeze(0)
print(data_down.size())
#输出
#torch.Size([3, 4])
#torch.Size([1, 3, 4])
#torch.Size([3, 4])