Python PyTorch torch.max在多个维度上

像张量：

x.shape=[3,2,2]

导入火炬
x=张量([
[[-0.3000, -0.2926],[-0.2705, -0.2632]],
[[-0.1821, -0.1747],[-0.1526, -0.1453]],
[[-0.0642, -0.0568],[-0.0347, -0.0274]]
])

我需要在2维和3维上取

.max（）

。我希望像这样的

[-0.2632，-0.1453，-0.0274]

作为输出。我尝试使用：

x.max（dim=（1,2））

，但这会导致错误。

现在，您可以这样做了。8月28日发布，现在可在夜间发布

只需使用：

导入火炬
x=张量([
[[-0.3000, -0.2926],[-0.2705, -0.2632]],
[[-0.1821, -0.1747],[-0.1526, -0.1453]],
[[-0.0642, -0.0568],[-0.0347, -0.0274]]
])
打印（torch.amax（x，dim=（1,2）））
#输出：
#>>>张量（[-0.2632，-0.1453，-0.0274]）

---

原始答案

截至今天（2020年4月11日），在PyTorch中无法对多个维度执行

.min（）

或

.max（）

。有一个关于它的问题，你可以遵循，看看它是否得到了实施。在您的情况下，解决方法是：

导入火炬
x=张量([
[[-0.3000, -0.2926],[-0.2705, -0.2632]],
[[-0.1821, -0.1747],[-0.1526, -0.1453]],
[[-0.0642, -0.0568],[-0.0347, -0.0274]]
])
打印（x.view（x.size（0），-1）.max（dim=-1））
#输出：
#>>>值=张量（[-0.2632，-0.1453，-0.0274]），
#>>>指数=张量（[3,3,3]））

因此，如果您只需要以下值：

x.view（x.size（0），-1）.max（dim=-1）.values

如果

x

不是连续张量，则

.view（）

将失败。在这种情况下，您应该使用

.reformate（）

---

2020年8月26日更新

此功能正在中实现，这些函数将被称为

amin

和

amax

。它们将只返回值。这可能很快就要合并了，所以当您阅读本文时，您可能可以在夜间构建中访问这些函数：）祝您玩得开心。

虽然解决了这个具体问题，但我认为添加一些解释可能会帮助大家了解这里使用的技巧，以便它可以适用于（m）任何其他尺寸

让我们首先检查输入张量的形状

x

：

In [58]: x.shape   
Out[58]: torch.Size([3, 2, 2])

因此，我们有一个形状为

（3,2,2）

的三维张量。现在，根据OP的问题，我们需要计算第一维和第二维张量值的最大值。在撰写本文时，

torch.max（）

的

dim

参数仅支持

int

。所以，我们不能使用元组。因此，我们将使用以下技巧，我称之为

展平和最大技巧：由于我们希望在第一维度和第二维度上计算

Max

，我们将把这两个维度展平为一个维度，并保持第0维度不变。这正是我们所做的：

In [61]: x.flatten().reshape(x.shape[0], -1).shape   
Out[61]: torch.Size([3, 4])   # 2*2 = 4

现在我们把三维张量压缩成二维张量（即矩阵）

现在，我们只需在第一个维度上应用

max

（即，在本例中，第一个维度也是最后一个维度），因为展平的维度位于该维度中

In [65]: x.flatten().reshape(x.shape[0], -1).max(dim=1)    # or: `dim = -1`
Out[65]: 
torch.return_types.max(
values=tensor([-0.2632, -0.1453, -0.0274]),
indices=tensor([3, 3, 3]))

我们在合成张量中得到了3个值，因为矩阵中有3行

---

另一方面，如果要计算第0维和第1维上的

max

，则需要执行以下操作：

In [80]: x.flatten().reshape(-1, x.shape[-1]).shape 
Out[80]: torch.Size([6, 2])    # 3*2 = 6

In [79]: x.flatten().reshape(-1, x.shape[-1]) 
Out[79]: 
tensor([[-0.3000, -0.2926],
        [-0.2705, -0.2632],
        [-0.1821, -0.1747],
        [-0.1526, -0.1453],
        [-0.0642, -0.0568],
        [-0.0347, -0.0274]])

现在，我们可以简单地在第0维上应用

max

，因为这是我们展平的结果。（（同样，从我们的原始形状（

3,2,2

）来看，在对前两个维度进行max之后，我们应该得到两个值作为结果。）

同样，您可以将此方法应用于多维和其他缩减功能，如

min

---

---

注意：我遵循基于0的维度（

0，1，2，3，

）的术语，只是为了与PyTorch的用法和代码保持一致。

如果您只想使用

torch.max（）

函数来获取2D张量中最大项的索引，您可以执行以下操作：

max_i_vals, max_i_indices = torch.max(x, 0)
print('max_i_vals, max_i_indices: ', max_i_vals, max_i_indices)
max_j_index = torch.max(max_i_vals, 0)[1]
print('max_j_index: ', max_j_index)
max_index = [max_i_indices[max_j_index], max_j_index]
print('max_index: ', max_index)

在测试过程中，为我打印了上述内容：

max_i_vals: tensor([0.7930, 0.7144, 0.6985, 0.7349, 0.9162, 0.5584, 1.4777, 0.8047, 0.9008, 1.0169, 0.6705, 0.9034, 1.1159, 0.8852, 1.0353], grad_fn=\<MaxBackward0>)   
max_i_indices: tensor([ 5,  8, 10,  6, 13, 14,  5,  6,  6,  6, 13,  4, 13, 13, 11])  
max_j_index:  tensor(6)  
max_index:  [tensor(5), tensor(6)]

---

这种一行程序不仅可以在不需要对代码进行调整的情况下使用N维张量，而且比我上面写的方法（至少2:1的比率）快得多，比公认的答案（大约3:2的比率）快得多根据我的基准测试。

谢谢。它可以工作，但需要使用“重塑安装视图”，以避免我的测试中出现错误case@iGero好的，我会在答案上加上这个注释以防万一：）很高兴它能帮上忙我在pytorch版本1.5.0和1.6.0上试过这个，但是没有方法

torch.amax

。你能证实这一点吗？还是我做错了什么？@zwep正如我在回答中所说的，这个功能目前在夜间版本中可用。因此，如果您想访问amax，或者等到下一个稳定版本，即1.7.0，您必须升级到它。@Berriel啊，对不起，我不知道哪个版本与夜间版本相关。虽然我不知道你是否能在这种情况下谈论一个版本哦，说清楚一点。请您具体说明什么是“展平结果”？我将不胜感激，谢谢！展平总是返回一个1D大小的张量，该张量是原始形状中各个尺寸的乘积（即，这里的3*2*2与张量

x

）我更新了我的答案，因为我提到的PR现在已合并，并且该功能在夜间版本中可用。请参阅下面我的更新答案。

max_i_vals, max_i_indices = torch.max(x, 0)
print('max_i_vals, max_i_indices: ', max_i_vals, max_i_indices)
max_j_index = torch.max(max_i_vals, 0)[1]
print('max_j_index: ', max_j_index)
max_index = [max_i_indices[max_j_index], max_j_index]
print('max_index: ', max_index)

max_i_vals: tensor([0.7930, 0.7144, 0.6985, 0.7349, 0.9162, 0.5584, 1.4777, 0.8047, 0.9008, 1.0169, 0.6705, 0.9034, 1.1159, 0.8852, 1.0353], grad_fn=\<MaxBackward0>)   
max_i_indices: tensor([ 5,  8, 10,  6, 13, 14,  5,  6,  6,  6, 13,  4, 13, 13, 11])  
max_j_index:  tensor(6)  
max_index:  [tensor(5), tensor(6)]

x = (x==torch.max(x)).nonzero()