[PyTroch系列-10]：PyTorch基础 - 张量Tensor元素的比较运算

Posted 2021-09-03 文火冰糖的硅基工坊

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  “in place“运算 

1.4 Tensor的广播机制: 不同维度的tensor实例运算

1.5 环境准备

1.6 比较运算概述

第2章 常规值的比较示例

2.1 equal：比较两个tensor是否完全相同

2.2 eq：比较两个tensor的每个元素是否相等关系

2.3 gt：比较两个tensor的每个元素是否为大于关系

第3章 非常规值（isxxx）的比较示例

3.1 isfinite：是否为有界限的数值

3.2 isinf：是否为无界限的数值或无穷值，如1/0就是无限值

3.3 isnan：检测张量元素是否为NAN（空数据）

---

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

（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tensor实例运算

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 比较运算概述

（1）概述

• 张量比较是指张量的每个元素的的比较
• 比较的对象，可以是两个张量之间的对应元素的比较
• 比较的对象，可以是一个张量中的所有元素与0、指定元素、无效值NA或无穷值进行比较
• 比较的结果是只包含true和false的张量。

（2）与常规值的比较

备注：

• other是比较对象，可以是张量，可以是数字，默认是0
• 比较的结果是只包含true和false的张量。

关键词说明：

• ge; greater and equal,  大于等于
• gt: greater than, 大于
• le: less and equal，小于等于
• lt:  less than，小于
• ne: not equal，不等于
• equal与上述几个不同，equal是比较两个张量整体是否完全相同，返回一个true或false。

（3）与非常规值的比较

备注：

isfinite：是否为有界限的数值，

isinf：是否为无界限的数值或无穷值

• 正数/0 =》正无穷，用inf表示
• 附属/0 =》 负无穷，用-inf表示

isnan：检测张量元素是否为nan（空数据），返回true or flase；

• 无效数据
• 非数字数据,
• 0/0
• 读取外部数据时，无输入数据

isnormal：检测张量元素是否为有效数据。

第2章 常规值的比较示例

常规值的比较，不同运算符的比较方法比较类似，这里选出几个进行示意。

2.1 equal：比较两个tensor是否完全相同

# 比较两个tensor是否完全相同
a = torch.Tensor([[1,2,3],[4,5,6]])  
print ("原数据a：")
print (a)

b = torch.Tensor([[1,2,3],[4,5,6]])  
print ("原数据b：")
print (a)

c = torch.Tensor([[0,2,3],[0,5,6]])  
print ("原数据c：")
print (a)
print ('\\n')

print ("a与b比较：")
print(torch.equal(a,b))
print ("a与c比较：")
print(torch.equal(a,c))

输出：

原数据a：
tensor([[1., 2., 3.],
        [4., 5., 6.]])
原数据b：
tensor([[1., 2., 3.],
        [4., 5., 6.]])
原数据c：
tensor([[1., 2., 3.],
        [4., 5., 6.]])

2.2 eq：比较两个tensor的每个元素是否相等关系

# 比较两个tensro之间的每个元素
a = torch.Tensor([[1,2,3],[4,5,6]])  
print ("原数据a：")
print (a)


b = torch.Tensor([[1,2,3],[4,5,6]])  
print ("原数据b：")
print (a)


c = torch.Tensor([[0,2,3],[0,5,6]])  
print ("原数据c：")
print (a)
print ('\\n')

print ("a与b比较：")
print(torch.eq(a,b))
print ("a与c比较：")
print(torch.eq(a,c))

输出：

原数据a：
tensor([[1., 2., 3.],
        [4., 5., 6.]])
原数据b：
tensor([[1., 2., 3.],
        [4., 5., 6.]])
原数据c：
tensor([[1., 2., 3.],
        [4., 5., 6.]])


a与b比较：
tensor([[True, True, True],
        [True, True, True]])
a与c比较：
tensor([[False,  True,  True],
        [False,  True,  True]])

2.3 gt：比较两个tensor的每个元素是否为大于关系

# 比较两个tensro之间的每个元素
a = torch.Tensor([[1,2,3],[4,5,6]])  
print ("原数据a：")
print (a)


b = torch.Tensor([[1,2,3],[4,5,6]])  
print ("原数据b：")
print (a)


c = torch.Tensor([[0,2,3],[0,5,6]])  
print ("原数据c：")
print (a)
print ('\\n')

print ("a与b比较：")
print(torch.gt(a,b))
print ("a与c比较：")
print(torch.gt(a,c))

输出：

原数据a：
tensor([[1., 2., 3.],
        [4., 5., 6.]])
原数据b：
tensor([[1., 2., 3.],
        [4., 5., 6.]])
原数据c：
tensor([[1., 2., 3.],
        [4., 5., 6.]])


a与b比较：
tensor([[False, False, False],
        [False, False, False]])
a与c比较：
tensor([[ True, False, False],
        [ True, False, False]])

第3章 非常规值（isxxx）的比较示例

3.1 isfinite：是否为有界限的数值

# 比较tensor的每个元素是否为无穷数据
a = torch.Tensor([0,1,2,3,4,5,6,7,8,9])  
print ("原数据a：")
print (a)

print ("原数据b：")
b = a/0
print(b)

print ("原数据b：")
c = -a/0
print(c)

print("比较结果")
print(torch.isfinite(a))
print(torch.isfinite(b))
print(torch.isfinite(b))

输出：

原数据a：
tensor([0., 1., 2., 3., 4., 5., 6., 7., 8., 9.])
原数据b：
tensor([nan, inf, inf, inf, inf, inf, inf, inf, inf, inf])
原数据b：
tensor([nan, -inf, -inf, -inf, -inf, -inf, -inf, -inf, -inf, -inf])

是否是有限数据
tensor([True, True, True, True, True, True, True, True, True, True])
tensor([False, False, False, False, False, False, False, False, False, False])
tensor([False, False, False, False, False, False, False, False, False, False])

备注：

• 0/0为nan数据
• inf为正无穷
• -inf为负无穷
• nan不是正无穷，也不是负无穷

3.2 isinf：是否为无界限的数值或无穷值，如1/0就是无限值

# 比较tensor的每个元素是否为有限数据
a = torch.Tensor([0,1,2,3,4,5,6,7,8,9])  
print ("原数据a：")
print (a)

print ("原数据b：")
b = a/0
print(b)

print ("原数据b：")
c = -a/0
print(c)

print("比较结果")
print(torch.isinf(a))
print(torch.isinf(b))
print(torch.isinf(b))

输出：

原数据a：
tensor([0., 1., 2., 3., 4., 5., 6., 7., 8., 9.])
原数据b：
tensor([nan, inf, inf, inf, inf, inf, inf, inf, inf, inf])
原数据b：
tensor([nan, -inf, -inf, -inf, -inf, -inf, -inf, -inf, -inf, -inf])
是否是有限数据
tensor([False, False, False, False, False, False, False, False, False, False])
tensor([False,  True,  True,  True,  True,  True,  True,  True,  True,  True])
tensor([False,  True,  True,  True,  True,  True,  True,  True,  True,  True])

备注：

• nas既不是有限数据，也不是无限数据。

3.3 isnan：检测张量元素是否为NAN（空数据）

#  比较tensor的每个元素是否为NAN
a = torch.Tensor([0,1,2,3,4,5,6,7,8,9])  
print ("原数据a：")
print (a)

print ("原数据b：")
b = a/0
print(b)

print ("原数据b：")
c = -a/0
print(c)

print("比较结果")
print(torch.isnan(a))
print(torch.isnan(b))
print(torch.isnan(b))

输出 ：

原数据a：
tensor([0., 1., 2., 3., 4., 5., 6., 7., 8., 9.])
原数据b：
tensor([nan, inf, inf, inf, inf, inf, inf, inf, inf, inf])
原数据b：
tensor([nan, -inf, -inf, -inf, -inf, -inf, -inf, -inf, -inf, -inf])
比较结果
tensor([False, False, False, False, False, False, False, False, False, False])
tensor([ True, False, False, False, False, False, False, False, False, False])
tensor([ True, False, False, False, False, False, False, False, False, False])

---

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