pytorch中torch.topk()函數(shù)的快速理解
更新時(shí)間：2022年02月25日 10:08:11 作者：Neo很努力
我們?cè)谧龇诸?lèi)算法時(shí),時(shí)常見(jiàn)到@acc1和@acc5的情況,@acc1比較容易實(shí)現(xiàn),但是一直苦于@acc5算法的實(shí)現(xiàn),在此為大家提供一種@topk的實(shí)現(xiàn)方法,這篇文章主要給大家介紹了關(guān)于pytorch中torch.topk()函數(shù)的快速理解,需要的朋友可以參考下
函數(shù)作用：
該函數(shù)的作用即按字面意思理解，topk:取數(shù)組的前k個(gè)元素進(jìn)行排序。
通常該函數(shù)返回2個(gè)值，第一個(gè)值為排序的數(shù)組，第二個(gè)值為該數(shù)組中獲取到的元素在原數(shù)組中的位置標(biāo)號(hào)。
舉個(gè)栗子：
import numpy as np
import torch
import torch.utils.data.dataset as Dataset
from torch.utils.data import Dataset,DataLoader
####################準(zhǔn)備一個(gè)數(shù)組#########################
tensor1=torch.tensor([[10,1,2,1,1,1,1,1,1,1,10],
[3,4,5,1,1,1,1,1,1,1,1],
[7,8,9,1,1,1,1,1,1,1,1],
[1,4,7,1,1,1,1,1,1,1,1]],dtype=torch.float32)
####################打印這個(gè)原數(shù)組#########################
print('tensor1:')
print(tensor1)
#################使用torch.topk()這個(gè)函數(shù)##################
print('使用torch.topk()這個(gè)函數(shù)得到：')
'''k=3代表從原數(shù)組中取得3個(gè)元素，dim=1表示從原數(shù)組中的第一維獲取元素
（在本例中是分別從[10,1,2,1,1,1,1,1,1,1,10]、[3,4,5,1,1,1,1,1,1,1,1]、
[7,8,9,1,1,1,1,1,1,1,1]、[1,4,7,1,1,1,1,1,1,1,1]這四個(gè)數(shù)組中獲取3個(gè)元素）
其中l(wèi)argest=True表示從大到小取元素'''
print(torch.topk(tensor1, k=3, dim=1, largest=True))
#################打印這個(gè)函數(shù)第一個(gè)返回值####################
print('函數(shù)第一個(gè)返回值topk[0]如下')
print(torch.topk(tensor1, k=3, dim=1, largest=True)[0])
#################打印這個(gè)函數(shù)第二個(gè)返回值####################
print('函數(shù)第二個(gè)返回值topk[1]如下')
print(torch.topk(tensor1, k=3, dim=1, largest=True)[1])
'''
#######################運(yùn)行結(jié)果##########################
tensor1:
tensor([[10., 1., 2., 1., 1., 1., 1., 1., 1., 1., 10.],
[ 3., 4., 5., 1., 1., 1., 1., 1., 1., 1., 1.],
[ 7., 8., 9., 1., 1., 1., 1., 1., 1., 1., 1.],
[ 1., 4., 7., 1., 1., 1., 1., 1., 1., 1., 1.]])
使用torch.topk()這個(gè)函數(shù)得到：
'得到的values是原數(shù)組dim=1的四組從大到小的三個(gè)元素值；
得到的indices是獲取到的元素值在原數(shù)組dim=1中的位置。'
torch.return_types.topk(
values=tensor([[10., 10., 2.],
[ 5., 4., 3.],
[ 9., 8., 7.],
[ 7., 4., 1.]]),
indices=tensor([[ 0, 10, 2],
[ 2, 1, 0],
[ 2, 1, 0],
[ 2, 1, 0]]))
函數(shù)第一個(gè)返回值topk[0]如下
tensor([[10., 10., 2.],
[ 5., 4., 3.],
[ 9., 8., 7.],
[ 7., 4., 1.]])
函數(shù)第二個(gè)返回值topk[1]如下
tensor([[ 0, 10, 2],
[ 2, 1, 0],
[ 2, 1, 0],
[ 2, 1, 0]])
'''
該函數(shù)功能經(jīng)常用來(lái)獲取張量或者數(shù)組中最大或者最小的元素以及索引位置，是一個(gè)經(jīng)常用到的基本函數(shù)。
實(shí)例演示
任務(wù)一：
取top1（最大值）：
pred = torch.tensor([[-0.5816, -0.3873, -1.0215, -1.0145, 0.4053],
[ 0.7265, 1.4164, 1.3443, 1.2035, 1.8823],
[-0.4451, 0.1673, 1.2590, -2.0757, 1.7255],
[ 0.2021, 0.3041, 0.1383, 0.3849, -1.6311]])
print(pred)
values, indices = pred.topk(1, dim=0, largest=True, sorted=True)
print(indices)
print(values)
# 用max得到的結(jié)果，設(shè)置keepdim為T(mén)rue，避免降維。因?yàn)閠opk函數(shù)返回的index不降維，shape和輸入一致。
_, indices_max = pred.max(dim=0, keepdim=True)
print(indices_max)
print(indices_max == indices)
輸出：
tensor([[-0.5816, -0.3873, -1.0215, -1.0145, 0.4053],
[ 0.7265, 1.4164, 1.3443, 1.2035, 1.8823],
[-0.4451, 0.1673, 1.2590, -2.0757, 1.7255],
[ 0.2021, 0.3041, 0.1383, 0.3849, -1.6311]])
tensor([[1, 1, 1, 1, 1]])
tensor([[0.7265, 1.4164, 1.3443, 1.2035, 1.8823]])
tensor([[1, 1, 1, 1, 1]])
tensor([[True, True, True, True, True]])
任務(wù)二：
按行取出topk，將小于topk的置為inf：
pred = torch.tensor([[-0.5816, -0.3873, -1.0215, -1.0145, 0.4053],
[ 0.7265, 1.4164, 1.3443, 1.2035, 1.8823],
[-0.4451, 0.1673, 1.2590, -2.0757, 1.7255],
[ 0.2021, 0.3041, 0.1383, 0.3849, -1.6311]])
print(pred)
top_k = 2 # 按行求出每一行的最大的前兩個(gè)值
filter_value=-float('Inf')
indices_to_remove = pred < torch.topk(pred, top_k)[0][..., -1, None]
print(indices_to_remove)
pred[indices_to_remove] = filter_value # 對(duì)于topk之外的其他元素的logits值設(shè)為負(fù)無(wú)窮
print(pred)
輸出：
tensor([[-0.5816, -0.3873, -1.0215, -1.0145, 0.4053],
[ 0.7265, 1.4164, 1.3443, 1.2035, 1.8823],
[-0.4451, 0.1673, 1.2590, -2.0757, 1.7255],
[ 0.2021, 0.3041, 0.1383, 0.3849, -1.6311]])
tensor([[4],
[4],
[4],
[3]])
tensor([[0.4053],
[1.8823],
[1.7255],
[0.3849]])
tensor([[ True, False, True, True, False],
[ True, False, True, True, False],
[ True, True, False, True, False],
[ True, False, True, False, True]])
tensor([[ -inf, -0.3873, -inf, -inf, 0.4053],
[ -inf, 1.4164, -inf, -inf, 1.8823],
[ -inf, -inf, 1.2590, -inf, 1.7255],
[ -inf, 0.3041, -inf, 0.3849, -inf]])任務(wù)三：
import numpy as np
import torch
import torch.utils.data.dataset as Dataset
from torch.utils.data import Dataset,DataLoader
tensor1=torch.tensor([[10,1,2,1,1,1,1,1,1,1,10],
[3,4,5,1,1,1,1,1,1,1,1],
[7,8,9,1,1,1,1,1,1,1,1],
[1,4,7,1,1,1,1,1,1,1,1]],dtype=torch.float32)
# tensor2=torch.tensor([[3,2,1],
# [6,5,4],
# [1,4,7],
# [9,8,7]],dtype=torch.float32)
#
print('tensor1:')
print(tensor1)
print('直接輸出topk，會(huì)得到兩個(gè)東西，我們需要的是第二個(gè)indices')
print(torch.topk(tensor1, k=3, dim=1, largest=True))
print('topk[0]如下')
print(torch.topk(tensor1, k=3, dim=1, largest=True)[0])
print('topk[1]如下')
print(torch.topk(tensor1, k=3, dim=1, largest=True)[1])
'''
tensor1:
tensor([[10., 1., 2., 1., 1., 1., 1., 1., 1., 1., 10.],
[ 3., 4., 5., 1., 1., 1., 1., 1., 1., 1., 1.],
[ 7., 8., 9., 1., 1., 1., 1., 1., 1., 1., 1.],
[ 1., 4., 7., 1., 1., 1., 1., 1., 1., 1., 1.]])
直接輸出topk，會(huì)得到兩個(gè)東西，我們需要的是第二個(gè)indices
torch.return_types.topk(
values=tensor([[10., 10., 2.],
[ 5., 4., 3.],
[ 9., 8., 7.],
[ 7., 4., 1.]]),
indices=tensor([[ 0, 10, 2],
[ 2, 1, 0],
[ 2, 1, 0],
[ 2, 1, 0]]))
topk[0]如下
tensor([[10., 10., 2.],
[ 5., 4., 3.],
[ 9., 8., 7.],
[ 7., 4., 1.]])
topk[1]如下
tensor([[ 0, 10, 2],
[ 2, 1, 0],
[ 2, 1, 0],
[ 2, 1, 0]])
'''
總結(jié)
到此這篇關(guān)于pytorch中torch.topk()函數(shù)快速理解的文章就介紹到這了,更多相關(guān)pytorch torch.topk()函數(shù)理解內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
相關(guān)文章
Pycharm設(shè)置自動(dòng)代碼提示的超詳細(xì)圖文教程
有時(shí)候我們?cè)谑褂胮ycharm編寫(xiě)python代碼的時(shí)候,發(fā)現(xiàn)沒(méi)有代碼提示,怎么解決呢?下面這篇文章主要給大家介紹了關(guān)于Pycharm設(shè)置自動(dòng)代碼提示的超詳細(xì)圖文教程,文中通過(guò)圖文介紹的非常詳細(xì),需要的朋友可以參考下2023-05-05
這篇文章主要介紹了Python圖片灰化處理PIL庫(kù)的相關(guān)知識(shí)，本文通過(guò)實(shí)例代碼給大家介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值,需要的朋友可以參考下2020-04-04
Python實(shí)現(xiàn)快速查找并替換Excel中的數(shù)據(jù)
Excel中的查找替換是一個(gè)非常實(shí)用的功能,能夠幫助用戶快速完成大量數(shù)據(jù)的整理和處理工作,避免手動(dòng)逐一修改數(shù)據(jù)的麻煩,提高工作效率,所以本文給大家介紹了Python實(shí)現(xiàn)快速查找并替換Excel中的數(shù)據(jù),需要的朋友可以參考下2024-06-06
Python中的特殊語(yǔ)法：filter、map、reduce、lambda介紹
這篇文章主要介紹了Python中的特殊語(yǔ)法：filter、map、reduce、lambda介紹,本文分別對(duì)這個(gè)特殊語(yǔ)法給出了代碼實(shí)例,需要的朋友可以參考下2015-04-04
Python數(shù)據(jù)合并的concat函數(shù)與merge函數(shù)詳解
大家都知道concat()函數(shù)可以沿著一條軸將多個(gè)對(duì)象進(jìn)行堆疊，其使用方式類(lèi)似數(shù)據(jù)庫(kù)中的數(shù)據(jù)表合并，在使用merge()函數(shù)進(jìn)行合并時(shí)，默認(rèn)會(huì)使用重疊的列索引做為合并鍵，即取行索引重疊的部分，本文給大家介紹python?數(shù)據(jù)合并concat函數(shù)與merge函數(shù)，感興趣的朋友一起看看吧2022-05-05
基于Django ORM、一對(duì)一、一對(duì)多、多對(duì)多的全面講解
今天小編就為大家分享一篇基于Django ORM、一對(duì)一、一對(duì)多、多對(duì)多的全面講解，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2019-07-07
PyTorch+LSTM實(shí)現(xiàn)單變量時(shí)間序列預(yù)測(cè)
時(shí)間序列是指在一段時(shí)間內(nèi)發(fā)生的任何可量化的度量或事件。這篇文章主要為大家介紹了PyTorch+LSTM實(shí)現(xiàn)單變量時(shí)間序列預(yù)測(cè)的相關(guān)資料，需要的可以參考一下2023-02-02
Python報(bào)錯(cuò)too?many?values?to?unpack問(wèn)題及解決
這篇文章主要介紹了Python報(bào)錯(cuò)too?many?values?to?unpack問(wèn)題及解決方案，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教2023-05-05
Python實(shí)現(xiàn)哲學(xué)家就餐問(wèn)題實(shí)例代碼
這篇文章主要給大家介紹了關(guān)于Python實(shí)現(xiàn)哲學(xué)家就餐問(wèn)題的相關(guān)資料，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2020-11-11
numpy 計(jì)算兩個(gè)數(shù)組重復(fù)程度的方法
今天小編就為大家分享一篇numpy 計(jì)算兩個(gè)數(shù)組重復(fù)程度的方法，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2018-11-11