paddle和pytorch推荐 pytorch paddle对照

转载

mob6454cc70219b 2024-08-24 14:24:39

文章标签 paddle和pytorch推荐 Paddle TensorFlow PyTorch ArgMax ArgMin 文章分类 PyTorch 人工智能

Android NNAPI - Paddle - TensorFlow - PyTorch ArgMax and ArgMin 的定义与计算过程

1. Android NNAPI

Android NDK
https://developer.android.com/ndk

Neural Networks API
https://developer.android.com/ndk/guides/neuralnetworks

Android NDK API Reference
https://developer.android.com/ndk/reference

NeuralNetworks
https://developer.android.com/ndk/reference/group/neural-networks

1.1 ANEURALNETWORKS_ARGMAX

Returns the index of the largest element along an axis.
返回沿轴的最大元素的索引。

Supported tensor OperandCode:

ANEURALNETWORKS_TENSOR_FLOAT16
ANEURALNETWORKS_TENSOR_FLOAT32
ANEURALNETWORKS_TENSOR_INT32
ANEURALNETWORKS_TENSOR_QUANT8_ASYMM
ANEURALNETWORKS_TENSOR_QUANT8_ASYMM_SIGNED (since NNAPI feature level 4)

Supported tensor rank: from 1

Inputs:

0: An n-D tensor specifying the input. Must be non-empty.
1: An ANEURALNETWORKS_INT32 scalar specifying the axis to reduce across. Negative index is used to specify axis from the end (e.g. -1 for the last axis). Must be in the range [-n, n).

Outputs:

0: An (n - 1)-D ANEURALNETWORKS_TENSOR_INT32 tensor. If input is 1-dimensional, the output shape is [1].

Note: 输入是 n-D tensor，输出是 (n - 1)-D ANEURALNETWORKS_TENSOR_INT32 tensor。

Available since NNAPI feature level 3.

1.2 ANEURALNETWORKS_ARGMIN

Returns the index of the smallest element along an axis.
返回沿轴的最小元素的索引。

Supported tensor OperandCode:

ANEURALNETWORKS_TENSOR_FLOAT16
ANEURALNETWORKS_TENSOR_FLOAT32
ANEURALNETWORKS_TENSOR_INT32
ANEURALNETWORKS_TENSOR_QUANT8_ASYMM
ANEURALNETWORKS_TENSOR_QUANT8_ASYMM_SIGNED (since NNAPI feature level 4)

Supported tensor rank: from 1

Inputs:

0: An n-D tensor specifying the input. Must be non-empty.
1: An ANEURALNETWORKS_INT32 scalar specifying the axis to reduce across. Negative index is used to specify axis from the end (e.g. -1 for the last axis). Must be in the range [-n, n).

Outputs:

0: An (n - 1)-D ANEURALNETWORKS_TENSOR_INT32 tensor. If input is 1-dimensional, the output shape is [1].

Note: 输入是 n-D tensor，输出是 (n - 1)-D ANEURALNETWORKS_TENSOR_INT32 tensor。

Available since NNAPI feature level 3.

2. Paddle

2.1 argmax

https://www.paddlepaddle.org.cn/documentation/docs/zh/api/paddle/fluid/layers/argmax_cn.html

This OP computes the indices of the max elements of the input tensor’s element along the provided axis.
该 OP 沿 axis 计算输入 x 的最大元素的索引。

Args:
x (Variable): An input N-D Tensor with type float32, float64, int16, int32, int64, uint8.

axis (int, optional): Axis to compute indices along. The effective range is [-R, R), where R is Rank(x). when axis < 0, it works the same way as axis + R. Default is 0.
axis 的有效范围是 [-R, R)，R 是输入 x 的 Rank，axis 为负时与 axis + R 等价。默认值为 0。

Returns:
Variable: A Tensor with data type int64.

import paddle.fluid as fluid
import numpy as np

in1 = np.array([[[5,8,9,5],
                [0,0,1,7],
                [6,9,2,4]],
                [[5,2,4,2],
                [4,7,7,9],
                [1,7,0,6]]])

with fluid.dygraph.guard():
    x = fluid.dygraph.to_variable(in1)
    out1 = fluid.layers.argmax(x=x, axis=-1)
    out2 = fluid.layers.argmax(x=x, axis=0)
    out3 = fluid.layers.argmax(x=x, axis=1)
    out4 = fluid.layers.argmax(x=x, axis=2)
    print(out1.numpy())
    # [[2 3 1]
    #  [0 3 1]]
    print(out2.numpy())
    # [[0 0 0 0]
    #  [1 1 1 1]
    #  [0 0 0 1]]
    print(out3.numpy())
    # [[2 2 0 1]
    #  [0 1 1 1]]
    print(out4.numpy())
    # [[2 3 1]
    #  [0 3 1]]

axis = -1

axis = axis + 3 = -1 + 3 = 2
input.shape = (2, 3, 4)，axis = 2，将 input 的 axis = 2 上的维度删除，则 ouput.shape = (2, 3)。

input 沿着 axis = 2 上最大值的索引。

[m, n, :] m = 0, 1, ..., M - 1; n = 0, 1, ..., N - 1

[0, 0, :] (= [0, 0, 0], [0, 0, 1], [0, 0, 2], [0, 0, 3]) 系列坐标上最大值为 9，索引为 2。
[0, 1, :] (= [0, 1, 0], [0, 1, 1], [0, 1, 2], [0, 1, 3]) 系列坐标上最大值为 7，索引为 3。
[0, 2, :] (= [0, 2, 0], [0, 2, 1], [0, 2, 2], [0, 2, 3]) 系列坐标上最大值为 9，索引为 1。
[1, 0, :] (= [1, 0, 0], [1, 0, 1], [1, 0, 2], [1, 0, 3]) 系列坐标上最大值为 5，索引为 0。
[1, 1, :] (= [1, 1, 0], [1, 1, 1], [1, 1, 2], [1, 1, 3]) 系列坐标上最大值为 9，索引为 3。
[1, 2, :] (= [1, 2, 0], [1, 2, 1], [1, 2, 2], [1, 2, 3]) 系列坐标上最大值为 7，索引为 1。

axis = 0

input.shape = (2, 3, 4)，axis = 0，将 input 的 axis = 0 上的维度删除，则 ouput.shape = (3, 4)。

input 沿着 axis = 0 上最大值的索引。

[:, n, k] n = 0, 1, ..., N - 1; k = 0, 1, ..., K - 1

[:, 0, 0] (= [0, 0, 0], [1, 0, 0]) 系列坐标上最大值为 5，索引为 0。
[:, 0, 1] (= [0, 0, 1], [1, 0, 1]) 系列坐标上最大值为 8，索引为 0。
[:, 0, 2] (= [0, 0, 2], [1, 0, 2]) 系列坐标上最大值为 9，索引为 0。
[:, 0, 3] (= [0, 0, 3], [1, 0, 3]) 系列坐标上最大值为 5，索引为 0。
[:, 1, 0] (= [0, 1, 0], [1, 1, 0]) 系列坐标上最大值为 4，索引为 1。
[:, 1, 1] (= [0, 1, 1], [1, 1, 1]) 系列坐标上最大值为 7，索引为 1。
[:, 1, 2] (= [0, 1, 2], [1, 1, 2]) 系列坐标上最大值为 7，索引为 1。
[:, 1, 3] (= [0, 1, 3], [1, 1, 3]) 系列坐标上最大值为 9，索引为 1。
[:, 2, 0] (= [0, 2, 0], [1, 2, 0]) 系列坐标上最大值为 6，索引为 0。
[:, 2, 1] (= [0, 2, 1], [1, 2, 1]) 系列坐标上最大值为 9，索引为 0。
[:, 2, 2] (= [0, 2, 2], [1, 2, 2]) 系列坐标上最大值为 2，索引为 0。
[:, 2, 3] (= [0, 2, 3], [1, 2, 3]) 系列坐标上最大值为 6，索引为 1。

axis = 1

input.shape = (2, 3, 4)，axis = 1，将 input 的 axis = 1 上的维度删除，则 ouput.shape = (2, 4)。

input 沿着 axis = 1 上最大值的索引。

[m, :, k] m = 0, 1, ..., M - 1; k = 0, 1, ..., K - 1

[0, :, 0] (= [0, 0, 0], [0, 1, 0], [0, 2, 0]) 系列坐标上最大值为 6，索引为 2。
[0, :, 1] (= [0, 0, 1], [0, 1, 1], [0, 2, 1]) 系列坐标上最大值为 9，索引为 2。
[0, :, 2] (= [0, 0, 2], [0, 1, 2], [0, 2, 2]) 系列坐标上最大值为 9，索引为 0。
[0, :, 3] (= [0, 0, 3], [0, 1, 3], [0, 2, 3]) 系列坐标上最大值为 7，索引为 1。
[1, :, 0] (= [1, 0, 0], [1, 1, 0], [1, 2, 0]) 系列坐标上最大值为 5，索引为 0。
[1, :, 1] (= [1, 0, 1], [1, 1, 1], [1, 2, 1]) 系列坐标上最大值为 7，索引为 1。
[1, :, 2] (= [1, 0, 2], [1, 1, 2], [1, 2, 2]) 系列坐标上最大值为 7，索引为 1。
[1, :, 3] (= [1, 0, 3], [1, 1, 3], [1, 2, 3]) 系列坐标上最大值为 9，索引为 1。

axis = 2

input.shape = (2, 3, 4)，axis = 2，将 input 的 axis = 2 上的维度删除，则 ouput.shape = (2, 3)。

input 沿着 axis = 2 上最大值的索引。

[m, n, :] m = 0, 1, ..., M - 1; n = 0, 1, ..., N - 1

[0, 0, :] (= [0, 0, 0], [0, 0, 1], [0, 0, 2], [0, 0, 3]) 系列坐标上最大值为 9，索引为 2。
[0, 1, :] (= [0, 1, 0], [0, 1, 1], [0, 1, 2], [0, 1, 3]) 系列坐标上最大值为 7，索引为 3。
[0, 2, :] (= [0, 2, 0], [0, 2, 1], [0, 2, 2], [0, 2, 3]) 系列坐标上最大值为 9，索引为 1。
[1, 0, :] (= [1, 0, 0], [1, 0, 1], [1, 0, 2], [1, 0, 3]) 系列坐标上最大值为 5，索引为 0。
[1, 1, :] (= [1, 1, 0], [1, 1, 1], [1, 1, 2], [1, 1, 3]) 系列坐标上最大值为 9，索引为 3。
[1, 2, :] (= [1, 2, 0], [1, 2, 1], [1, 2, 2], [1, 2, 3]) 系列坐标上最大值为 7，索引为 1。

2.2 argmin

https://www.paddlepaddle.org.cn/documentation/docs/zh/api/paddle/fluid/layers/argmin_cn.html

This OP computes the indices of the min elements of the input tensor’s element along the provided axis.
该 OP 沿 axis 计算输入 x 的最小元素的索引。

Args:
x (Variable): An input N-D Tensor with type float32, float64, int16, int32, int64, uint8.

Returns:
Variable: A Tensor with data type int64.

import paddle.fluid as fluid
import numpy as np

in1 = np.array([[[5,8,9,5],
                [0,0,1,7],
                [6,9,2,4]],
                [[5,2,4,2],
                [4,7,7,9],
                [1,7,0,6]]])
with fluid.dygraph.guard():
    x = fluid.dygraph.to_variable(in1)
    out1 = fluid.layers.argmin(x=x, axis=-1)
    out2 = fluid.layers.argmin(x=x, axis=0)
    out3 = fluid.layers.argmin(x=x, axis=1)
    out4 = fluid.layers.argmin(x=x, axis=2)
    print(out1.numpy())
    # [[0 0 2]
    #  [1 0 2]]
    print(out2.numpy())
    # [[0 1 1 1]
    #  [0 0 0 0]
    #  [1 1 1 0]]
    print(out3.numpy())
    # [[1 1 1 2]
    #  [2 0 2 0]]
    print(out4.numpy())
    # [[0 0 2]
    #  [1 0 2]]

axis = -1

axis = axis + 3 = -1 + 3 = 2
input.shape = (2, 3, 4)，axis = 2，将 input 的 axis = 2 上的维度删除，则 ouput.shape = (2, 3)。

input 沿着 axis = 2 上最小值的索引。

[m, n, :] m = 0, 1, ..., M - 1; n = 0, 1, ..., N - 1

[0, 0, :] (= [0, 0, 0], [0, 0, 1], [0, 0, 2], [0, 0, 3]) 系列坐标上最小值为 5，索引为 0。
[0, 1, :] (= [0, 1, 0], [0, 1, 1], [0, 1, 2], [0, 1, 3]) 系列坐标上最小值为 0，索引为 0。
[0, 2, :] (= [0, 2, 0], [0, 2, 1], [0, 2, 2], [0, 2, 3]) 系列坐标上最小值为 2，索引为 2。
[1, 0, :] (= [1, 0, 0], [1, 0, 1], [1, 0, 2], [1, 0, 3]) 系列坐标上最小值为 2，索引为 1。
[1, 1, :] (= [1, 1, 0], [1, 1, 1], [1, 1, 2], [1, 1, 3]) 系列坐标上最小值为 4，索引为 0。
[1, 2, :] (= [1, 2, 0], [1, 2, 1], [1, 2, 2], [1, 2, 3]) 系列坐标上最小值为 0，索引为 2。

axis = 0

input.shape = (2, 3, 4)，axis = 0，将 input 的 axis = 0 上的维度删除，则 ouput.shape = (3, 4)。

input 沿着 axis = 0 上最小值的索引。

[:, n, k] n = 0, 1, ..., N - 1; k = 0, 1, ..., K - 1

[:, 0, 0] (= [0, 0, 0], [1, 0, 0]) 系列坐标上最小值为 5，索引为 0。
[:, 0, 1] (= [0, 0, 1], [1, 0, 1]) 系列坐标上最小值为 2，索引为 1。
[:, 0, 2] (= [0, 0, 2], [1, 0, 2]) 系列坐标上最小值为 4，索引为 1。
[:, 0, 3] (= [0, 0, 3], [1, 0, 3]) 系列坐标上最小值为 2，索引为 1。
[:, 1, 0] (= [0, 1, 0], [1, 1, 0]) 系列坐标上最小值为 0，索引为 0。
[:, 1, 1] (= [0, 1, 1], [1, 1, 1]) 系列坐标上最小值为 0，索引为 0。
[:, 1, 2] (= [0, 1, 2], [1, 1, 2]) 系列坐标上最小值为 1，索引为 0。
[:, 1, 3] (= [0, 1, 3], [1, 1, 3]) 系列坐标上最小值为 7，索引为 0。
[:, 2, 0] (= [0, 2, 0], [1, 2, 0]) 系列坐标上最小值为 1，索引为 1。
[:, 2, 1] (= [0, 2, 1], [1, 2, 1]) 系列坐标上最小值为 7，索引为 1。
[:, 2, 2] (= [0, 2, 2], [1, 2, 2]) 系列坐标上最小值为 0，索引为 1。
[:, 2, 3] (= [0, 2, 3], [1, 2, 3]) 系列坐标上最小值为 4，索引为 0。

axis = 1

input.shape = (2, 3, 4)，axis = 1，将 input 的 axis = 1 上的维度删除，则 ouput.shape = (2, 4)。

input 沿着 axis = 1 上最小值的索引。

[m, :, k] m = 0, 1, ..., M - 1; k = 0, 1, ..., K - 1

[0, :, 0] (= [0, 0, 0], [0, 1, 0], [0, 2, 0]) 系列坐标上最小值为 0，索引为 1。
[0, :, 1] (= [0, 0, 1], [0, 1, 1], [0, 2, 1]) 系列坐标上最小值为 0，索引为 1。
[0, :, 2] (= [0, 0, 2], [0, 1, 2], [0, 2, 2]) 系列坐标上最小值为 1，索引为 1。
[0, :, 3] (= [0, 0, 3], [0, 1, 3], [0, 2, 3]) 系列坐标上最小值为 4，索引为 2。
[1, :, 0] (= [1, 0, 0], [1, 1, 0], [1, 2, 0]) 系列坐标上最小值为 1，索引为 2。
[1, :, 1] (= [1, 0, 1], [1, 1, 1], [1, 2, 1]) 系列坐标上最小值为 2，索引为 0。
[1, :, 2] (= [1, 0, 2], [1, 1, 2], [1, 2, 2]) 系列坐标上最小值为 0，索引为 2。
[1, :, 3] (= [1, 0, 3], [1, 1, 3], [1, 2, 3]) 系列坐标上最小值为 2，索引为 0。

axis = 2

input.shape = (2, 3, 4)，axis = 2，将 input 的 axis = 2 上的维度删除，则 ouput.shape = (2, 3)。

input 沿着 axis = 2 上最小值的索引。

[m, n, :] m = 0, 1, ..., M - 1; n = 0, 1, ..., N - 1

[0, 0, :] (= [0, 0, 0], [0, 0, 1], [0, 0, 2], [0, 0, 3]) 系列坐标上最小值为 5，索引为 0。
[0, 1, :] (= [0, 1, 0], [0, 1, 1], [0, 1, 2], [0, 1, 3]) 系列坐标上最小值为 0，索引为 0。
[0, 2, :] (= [0, 2, 0], [0, 2, 1], [0, 2, 2], [0, 2, 3]) 系列坐标上最小值为 2，索引为 2。
[1, 0, :] (= [1, 0, 0], [1, 0, 1], [1, 0, 2], [1, 0, 3]) 系列坐标上最小值为 2，索引为 1。
[1, 1, :] (= [1, 1, 0], [1, 1, 1], [1, 1, 2], [1, 1, 3]) 系列坐标上最小值为 4，索引为 0。
[1, 2, :] (= [1, 2, 0], [1, 2, 1], [1, 2, 2], [1, 2, 3]) 系列坐标上最小值为 0，索引为 2。

3. TensorFlow

3.1 tf.math.argmax

https://www.tensorflow.org/api_docs/python/tf/math/argmax

Returns the index with the largest value across axes of a tensor.
计算 tensor 沿着某一维度的最大值的索引。

In case of identity returns the smallest index.
在相等的情况下返回最小的索引。

tf.math.argmax(
    input,
    axis=None,
    output_type=tf.dtypes.int64,
    name=None
)

Args:
input: A Tensor.
axis: An integer, the axis to reduce across. Default to 0.
output_type: An optional output dtype (tf.int32 or tf.int64). Defaults to tf.int64.
name: An optional name for the operation.

Returns:
A Tensor of type output_type.

For example:

>>> A = tf.constant([2, 20, 30, 3, 6])
  >>> tf.math.argmax(A)  # A[2] is maximum in tensor A
  <tf.Tensor: shape=(), dtype=int64, numpy=2>

  >>> B = tf.constant([[2, 20, 30, 3, 6], [3, 11, 16, 1, 8],
  ...                  [14, 45, 23, 5, 27]])
  >>> tf.math.argmax(B, 0)
  <tf.Tensor: shape=(5,), dtype=int64, numpy=array([2, 2, 0, 2, 2])>
  >>> tf.math.argmax(B, 1)
  <tf.Tensor: shape=(3,), dtype=int64, numpy=array([2, 2, 1])>

  >>> C = tf.constant([0, 0, 0, 0])
  >>> tf.math.argmax(C)  # Returns smallest index in case of ties
  <tf.Tensor: shape=(), dtype=int64, numpy=0>

3.2 tf.math.argmin

https://www.tensorflow.org/api_docs/python/tf/math/argmin

Returns the index with the smallest value across axes of a tensor.
计算 tensor 沿着某一维度的最小值的索引。

Returns the smallest index in case of ties.
在相等的情况下返回最小的索引。

tie [taɪ]：n. 领带，联系，纽带，绳子，金属丝，线，关系，束缚，平局，淘汰赛，延音线 v. (用线、绳等) 系，拴，绑，捆，束，将 ... 系在 ... 上，束紧，系牢，捆绑，(在线、绳上) 打结，系扣，打结系牢，连接，束缚，打成平局，用连接线连接

tf.math.argmin(
    input,
    axis=None,
    output_type=tf.dtypes.int64,
    name=None
)

Args:
input: A Tensor. Must be one of the following types: float32, float64, int32, uint8, int16, int8, complex64, int64, qint8, quint8, qint32, bfloat16, uint16, complex128, half, uint32, uint64.
axis: A Tensor. Must be one of the following types: int32, int64. int32 or int64, must be in the range -rank(input), rank(input)). Describes which axis of the input Tensor to reduce across. For vectors, use axis = 0.
output_type: An optional tf.DType from: tf.int32, tf.int64. Defaults to tf.int64.
name: A name for the operation (optional).

Returns:
A Tensor of type output_type.

For example:

import tensorflow as tf
  a = [1, 10, 26.9, 2.8, 166.32, 62.3]
  b = tf.math.argmin(input = a)
  c = tf.keras.backend.eval（b)
  # c = 0
  # here a[0] = 1 which is the smallest element of a across axis 0

4. PyTorch

4.1 TORCH.ARGMAX

https://pytorch.org/docs/stable/generated/torch.argmax.html

torch.argmax(input) → LongTensor

Returns the indices of the maximum value of all elements in the input tensor.
返回输入 tensor 中所有元素最大值对应的索引。

NOTE
If there are multiple maximal values then the indices of the first maximal value are returned.
如果有多个最大值，则返回第一个最大值的索引。

Parameters:
input (Tensor) - the input tensor.

Example:

>>> a = torch.randn(4, 4)
>>> a
tensor([[ 1.3398,  0.2663, -0.2686,  0.2450],
        [-0.7401, -0.8805, -0.3402, -1.1936],
        [ 0.4907, -1.3948, -1.0691, -0.3132],
        [-1.6092,  0.5419, -0.2993,  0.3195]])
>>> torch.argmax(a)
tensor(0)

torch.argmax(input, dim, keepdim=False) → LongTensor

Returns the indices of the maximum values of a tensor across a dimension.

Parameters:
input (Tensor) - the input tensor.
dim (int) - the dimension to reduce. If None, the argmax of the flattened input is returned.
keepdim (bool) - whether the output tensor has dim retained or not. Ignored if dim=None.

Example:

>>> a = torch.randn(4, 4)
>>> a
tensor([[ 1.3398,  0.2663, -0.2686,  0.2450],
        [-0.7401, -0.8805, -0.3402, -1.1936],
        [ 0.4907, -1.3948, -1.0691, -0.3132],
        [-1.6092,  0.5419, -0.2993,  0.3195]])
>>> torch.argmax(a, dim=1)
tensor([ 0,  2,  0,  1])

4.2 TORCH.ARGMIN

https://pytorch.org/docs/stable/generated/torch.argmin.html

torch.argmin(input, dim=None, keepdim=False) → LongTensor

Returns the indices of the minimum value(s) of the flattened tensor or along a dimension

NOTE
If there are multiple minimal values then the indices of the first minimal value are returned.
如果有多个最小值，则返回第一个最小值的索引。

Parameters:
input (Tensor) - the input tensor.
dim (int) - the dimension to reduce. If None, the argmin of the flattened input is returned.
keepdim (bool) - whether the output tensor has dim retained or not…

Example:

>>> a = torch.randn(4, 4)
>>> a
tensor([[ 0.1139,  0.2254, -0.1381,  0.3687],
        [ 1.0100, -1.1975, -0.0102, -0.4732],
        [-0.9240,  0.1207, -0.7506, -1.0213],
        [ 1.7809, -1.2960,  0.9384,  0.1438]])
>>> torch.argmin(a)
tensor(13)
>>> torch.argmin(a, dim=1)
tensor([ 2,  1,  3,  1])
>>> torch.argmin(a, dim=1, keepdim=True)
tensor([[2],
        [1],
        [3],
        [1]])

本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。

上一篇：SQL SERVER专题实验7 数据库的完整性控制实验8数据库完整性

下一篇：Java 原生sql连接postgresql原理如何用java连接sql

提问和评论都可以，用心的回复会被更多人看到评论

发布评论

相关文章

官方博客	全部文章	热门标签	班级博客
了解我们	网站地图	意见反馈

鸿蒙开发者社区	51CTO学堂
51CTO	软考资讯