eq dan ne dalam PyTorch

Beli Saya Kopi☕

*Memo:

• Siaran saya menerangkan gt() dan lt().
• Siaran saya menerangkan ge() dan le().
• Siaran saya menerangkan isclose() dan equal().

eq() boleh menyemak sama ada sifar atau lebih unsur tensor 0D pertama atau lebih D adalah sama dengan sifar atau lebih unsur unsur tensor 0D ke-2 atau lebih D, mendapat tensor 0D atau lebih D bagi sifar atau lebih elemen seperti yang ditunjukkan di bawah:

*Memo:

• eq() boleh digunakan dengan obor atau tensor.
• Argumen(input) pertama dengan obor atau menggunakan tensor(Jenis Diperlukan:tensor int, float, kompleks atau bool).
• Argumen ke-2 dengan obor atau argumen pertama dengan tensor adalah lain(Jenis-Jenis:tensor atau skalar int, apungan, kompleks atau bool).
• Terdapat hujah dengan obor(Pilihan-Lalai:Tiada-Jenis:tensor): *Memo:
  • out= mesti digunakan.
  • Siaran saya menerangkan hujah.
• Hasilnya ialah tensor D yang lebih tinggi yang mempunyai lebih banyak unsur.

import torch

tensor1 = torch.tensor([5, 0, 3])
tensor2 = torch.tensor([7, 0, 3])

torch.eq(input=tensor1, other=tensor2)
tensor1.eq(other=tensor2)
torch.eq(input=tensor2, other=tensor1)
# tensor([False, True, True])

tensor1 = torch.tensor(5)
tensor2 = torch.tensor([[3, 5, 4],
                        [6, 3, 5]])
torch.eq(input=tensor1, other=tensor2)
torch.eq(input=tensor2, other=tensor1)
# tensor([[False, True, False],
#         [False, False, True]])

torch.eq(input=tensor1, other=3)
# tensor(False)

torch.eq(input=tensor2, other=3)
# tensor([[True, False, False],
#         [False, True, False]])

tensor1 = torch.tensor([5, 0, 3])
tensor2 = torch.tensor([[5, 5, 5],
                        [0, 0, 0],
                        [3, 3, 3]])
torch.eq(input=tensor1, other=tensor2)
torch.eq(input=tensor2, other=tensor1)
# tensor([[True, False, False],
#         [False, True, False], 
#         [False, False, True]])

torch.eq(input=tensor1, other=3)
# tensor([False, False, True])

torch.eq(input=tensor2, other=3)
# tensor([[False, False, False],
#         [False, False, False],
#         [True, True, True]])

tensor1 = torch.tensor([5., 0., 3.])
tensor2 = torch.tensor([[5., 5., 5.],
                        [0., 0., 0.],
                        [3., 3., 3.]])
torch.eq(input=tensor1, other=tensor2)
# tensor([[True, False, False],
#         [False, True, False], 
#         [False, False, True]])

torch.eq(input=tensor1, other=3.)
# tensor([False, False, True])

tensor1 = torch.tensor([5.+0.j, 0.+0.j, 3.+0.j])
tensor2 = torch.tensor([[5.+0.j, 5.+0.j, 5.+0.j],
                        [0.+0.j, 0.+0.j, 0.+0.j],
                        [3.+0.j, 3.+0.j, 3.+.0j]])
torch.eq(input=tensor1, other=tensor2)
# tensor([[True, False, False],
#         [False, True, False],
#         [False, False, True]])

torch.eq(input=tensor1, other=3.+0.j)
# tensor([False, False, True])

tensor1 = torch.tensor([True, False, True])
tensor2 = torch.tensor([[True, False, True],
                        [False, True, False],
                        [True, False, True]])
torch.eq(input=tensor1, other=tensor2)
# tensor([[True, True, True],
#         [False, False, False],
#         [True, True, True]])

torch.eq(input=tensor1, other=True)
# tensor([True, False, True])

ne() boleh menyemak sama ada sifar atau lebih elemen tensor 0D pertama atau lebih D tidak sama dengan sifar atau lebih unsur unsur tensor 0D atau lebih D ke-2 dari segi, mendapatkan tensor 0D atau lebih D daripada sifar atau lebih elemen seperti yang ditunjukkan di bawah:

*Memo:

• ne() boleh digunakan dengan obor atau tensor.
• Argumen(input) pertama dengan obor atau menggunakan tensor(Jenis Diperlukan:tensor int, float, kompleks atau bool).
• Argumen ke-2 dengan obor atau argumen pertama dengan tensor adalah lain(Jenis-Jenis:tensor atau skalar int, apungan, kompleks atau bool).
• Terdapat hujah dengan obor(Pilihan-Lalai:Tiada-Jenis:tensor): *Memo:
  • out= mesti digunakan.
  • Siaran saya menerangkan hujah.
• not_equal() ialah alias bagi ne().

import torch

tensor1 = torch.tensor([5, 0, 3])
tensor2 = torch.tensor([7, 0, 3])

torch.ne(input=tensor1, other=tensor2)
tensor1.ne(other=tensor2)
torch.ne(input=tensor2, other=tensor1)
# tensor([True, False, False])

tensor1 = torch.tensor(5)
tensor2 = torch.tensor([[3, 5, 4],
                        [6, 3, 5]])
torch.ne(input=tensor1, other=tensor2)
torch.ne(input=tensor2, other=tensor1)
# tensor([[True, False, True],
#         [True, True, False]])

torch.ne(input=tensor1, other=3)
# tensor(True)

torch.ne(input=tensor2, other=3)
# tensor([[False, True, True],
#         [True, False, True]])

tensor1 = torch.tensor([5, 0, 3])
tensor2 = torch.tensor([[5, 5, 5],
                        [0, 0, 0],
                        [3, 3, 3]])
torch.ne(input=tensor1, other=tensor2)
torch.ne(input=tensor2, other=tensor1)
# tensor([[False, True, True],
#         [True, False, True],
#         [True, True, False]])

torch.ne(input=tensor1, other=3)
# tensor([True, True, False])

torch.ne(input=tensor2, other=3)
# tensor([[True, True, True],
#         [True, True, True],
#         [False, False, False]])

tensor1 = torch.tensor([5., 0., 3.])
tensor2 = torch.tensor([[5., 5., 5.],
                        [0., 0., 0.],
                        [3., 3., 3.]])
torch.ne(input=tensor1, other=tensor2)
# tensor([[False, True, True],
#         [True, False, True],
#         [True, True, False]])

torch.ne(input=tensor1, other=3.)
# tensor([True, True, False])

tensor1 = torch.tensor([5.+0.j, 0.+0.j, 3.+0.j])
tensor2 = torch.tensor([[5.+0.j, 5.+0.j, 5.+0.j],
                        [0.+0.j, 0.+0.j, 0.+0.j],
                        [3.+0.j, 3.+0.j, 3.+.0j]])
torch.ne(input=tensor1, other=tensor2)
# tensor([[False, True, True],
#         [True, False, True],
#         [True, True, False]])

torch.ne(input=tensor1, other=3.+0.j)
# tensor([True, True, False])

tensor1 = torch.tensor([True, False, True])
tensor2 = torch.tensor([[True, False, True],
                        [False, True, False],
                        [True, False, True]])
torch.ne(input=tensor1, other=tensor2)
# tensor([[False, False, False],
#         [True, True, True],
#         [False, False, False]])

torch.ne(input=tensor1, other=True)
# tensor([False, True, False])

Atas ialah kandungan terperinci eq dan ne dalam PyTorch. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!