torch topk 使用
這個函式是用來求tensor中某個dim的前k大或者前k小的值以及對應的index。
用法
torch.topk(input, k, dim=None, largest=True, sorted=True, out=None) -> (Tensor, LongTensor)
- input:一個tensor資料
- k:指明是得到前k個資料以及其index
- dim: 指定在哪個維度上排序, 預設是最後一個維度
- largest:如果為True,按照大到小排序; 如果為False,按照小到大排序
- sorted:返回的結果按照順序返回
- out:可預設,不要
topk最常用的場合就是求一個樣本被網路認為前k個最可能屬於的類別。我們就用這個場景為例,說明函式的使用方法。
假設一個tensor F, F∈R^N×D,N是樣本數目,一般等於batch size, D是類別數目。我們想知道每個樣本的最可能屬於的那個類別,其實可以用torch.max得到。如果要使用topk,則k應該設定為1。
1. python 版本
import torch
pred = torch.randn((4, 5))
print(pred)
values, indices = pred.topk(1, dim=1, largest=True, sorted=True)
print(indices)
# 用max得到的結果,設定keepdim為True,避免降維。因為topk函式返回的index不降維,shape和輸入一致。
_, indices_max = pred.max(dim=1, keepdim=True)
print(indices_max == indices)
# pred
tensor([[-0.1480, -0.9819, -0.3364, 0.7912, -0.3263],
[-0.8013, -0.9083, 0.7973, 0.1458, -0.9156],
[-0.2334, -0.0142, -0.5493, 0.0673, 0.8185],
[-0.4075, -0.1097, 0.8193, -0.2352, -0.9273]])
# indices, shape為 【4,1】,
tensor([[3], #【0,0】代表 第一個樣本最可能屬於第一類別
[2], # 【1, 0】代表第二個樣本最可能屬於第二類別
[4],
[2]])
# indices_max等於indices
tensor([[True],
[True],
[True],
[True]])
現在在嘗試一下k=2
import torch
pred = torch.randn((4, 5))
print(pred)
values, indices = pred.topk(2, dim=1, largest=True, sorted=True) # k=2
print(indices)
# pred
tensor([[-0.2203, -0.7538, 1.8789, 0.4451, -0.2526],
[-0.0413, 0.6366, 1.1155, 0.3484, 0.0395],
[ 0.0365, 0.5158, 1.1067, -0.9276, -0.2124],
[ 0.6232, 0.9912, -0.8562, 0.0148, 1.6413]])
# indices
tensor([[2, 3],
[2, 1],
[2, 1],
[4, 1]])
可以發現indices的shape變成了【4, k】,k=2。
其中indices[0] = [2,3]。其意義是說明第一個樣本的前兩個最大機率對應的類別分別是第3類和第4類。
大家可以自行print一下values。可以發現values的shape和indices的shape是一樣的。indices描述了在values中對應的值在pred中的位置。
2. C++ 版
// aten::topk(Tensor self, SymInt k, int dim=-1, bool largest=True, bool sorted=True) -> (Tensor values, Tensor indices)
inline ::std::tupleat::Tensor,at::Tensor Tensor::topk(int64_t k, int64_t dim, bool largest, bool sorted) const {
return at::_ops::topk::call(const_cast<Tensor&>(*this), k, dim, largest, sorted);
}