Kauf mir einen Kaffee☕
*Mein Beitrag erklärt alles().
any() kann prüfen, ob Elemente eines 0D- oder mehr D-Tensors wahr sind, und den 0D- oder mehr D-Tensor von null oder mehr Elementen erhalten, wie unten gezeigt:
*Memos:
- any() kann mit Torch oder einem Tensor verwendet werden.
- Das 1. Argument (Eingabe) mit Torch oder unter Verwendung eines Tensors (Required-Type:Tensor von int, float, complex oder bool).
- Das 2. Argument mit Torch oder das 1. Argument mit einem Tensor ist dim(Optional-Type:int, tuple of int oder list of int).
- Das 3. Argument mit Torch oder das 2. Argument mit einem Tensor ist keepdim(Optional-Default:False-Type:bool). *Mein Beitrag erklärt das Keepdim-Argument.
- Es gibt kein Argument mit Torch(Optional-Default:None-Type:tensor):
*Memos:
- out= muss verwendet werden.
- Mein Beitrag erklärt unser Argument.
- Ein leerer Tensor gibt ein Falsch eines 1D- oder mehr D-Tensors oder eines leeren 1D- oder mehr D-Tensors zurück.
import torch my_tensor = torch.tensor(True) torch.any(input=my_tensor) my_tensor.any() torch.any(input=my_tensor, dim=0) torch.any(input=my_tensor, dim=-1) torch.any(input=my_tensor, dim=(0,)) torch.any(input=my_tensor, dim=(-1,)) # tensor(True) torch.any(input=my_tensor, dim=0, keepdim=True) # tensor(True) my_tensor = torch.tensor([True, False, True, False]) torch.any(input=my_tensor) torch.any(input=my_tensor, dim=0) torch.any(input=my_tensor, dim=-1) torch.any(input=my_tensor, dim=(0,)) torch.any(input=my_tensor, dim=(-1,)) # tensor(True) torch.any(input=my_tensor, dim=0, keepdim=True) # tensor([True]) my_tensor = torch.tensor([[True, False, True, False], [True, False, True, False]]) torch.any(input=my_tensor) torch.any(input=my_tensor, dim=(0, 1)) torch.any(input=my_tensor, dim=(0, -1)) torch.any(input=my_tensor, dim=(1, 0)) torch.any(input=my_tensor, dim=(1, -2)) torch.any(input=my_tensor, dim=(-1, 0)) torch.any(input=my_tensor, dim=(-1, -2)) torch.any(input=my_tensor, dim=(-2, 1)) torch.any(input=my_tensor, dim=(-2, -1)) # tensor(True) torch.any(input=my_tensor, dim=0) torch.any(input=my_tensor, dim=(0,)) torch.any(input=my_tensor, dim=-2) # tensor([True, False, True, False]) torch.any(input=my_tensor, dim=1) torch.any(input=my_tensor, dim=-1) torch.any(input=my_tensor, dim=(-1,)) # tensor([True, True]) torch.any(input=my_tensor, dim=0, keepdim=True) # tensor([[True, False, True, False]]) my_tensor = torch.tensor([[0, 1, 2, 3], [4, 5, 6, 7]]) torch.any(input=my_tensor) # tensor(True) my_tensor = torch.tensor([[0., 1., 2., 3.], [4., 5., 6., 7.]]) torch.any(input=my_tensor) # tensor(True) my_tensor = torch.tensor([[0.+0.j, 1.+0.j, 2.+0.j, 3.+0.j], [4.+0.j, 5.+0.j, 6.+0.j, 7.+0.j]]) torch.any(input=my_tensor) # tensor(True) my_tensor = torch.tensor([[]]) torch.any(input=my_tensor) # tensor(False) torch.any(input=my_tensor, dim=0) torch.any(input=my_tensor, dim=-2) # tensor([], dtype=torch.bool) torch.any(input=my_tensor, dim=1) torch.any(input=my_tensor, dim=-1) # tensor([False])
Das obige ist der detaillierte Inhalt vonirgendein in PyTorch. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Lösung für Erlaubnisprobleme beim Betrachten der Python -Version in Linux Terminal Wenn Sie versuchen, die Python -Version in Linux Terminal anzuzeigen, geben Sie Python ein ...

In diesem Artikel wird erklärt, wie man schöne Suppe, eine Python -Bibliothek, verwendet, um HTML zu analysieren. Es beschreibt gemeinsame Methoden wie find (), find_all (), select () und get_text () für die Datenextraktion, die Behandlung verschiedener HTML -Strukturen und -Anternativen (SEL)

Dieser Artikel vergleicht TensorFlow und Pytorch für Deep Learning. Es beschreibt die beteiligten Schritte: Datenvorbereitung, Modellbildung, Schulung, Bewertung und Bereitstellung. Wichtige Unterschiede zwischen den Frameworks, insbesondere bezüglich des rechnerischen Graps

Dieser Artikel führt die Python-Entwickler in den Bauen von CLIS-Zeilen-Schnittstellen (CLIS). Es werden mit Bibliotheken wie Typer, Click und ArgParse beschrieben, die Eingabe-/Ausgabemedelung betonen und benutzerfreundliche Designmuster für eine verbesserte CLI-Usabilität fördern.

Bei der Verwendung von Pythons Pandas -Bibliothek ist das Kopieren von ganzen Spalten zwischen zwei Datenrahmen mit unterschiedlichen Strukturen ein häufiges Problem. Angenommen, wir haben zwei Daten ...

In dem Artikel werden beliebte Python-Bibliotheken wie Numpy, Pandas, Matplotlib, Scikit-Learn, TensorFlow, Django, Flask und Anfragen erörtert, die ihre Verwendung in wissenschaftlichen Computing, Datenanalyse, Visualisierung, maschinellem Lernen, Webentwicklung und h beschreiben

Der Artikel erörtert die Rolle virtueller Umgebungen in Python und konzentriert sich auf die Verwaltung von Projektabhängigkeiten und die Vermeidung von Konflikten. Es beschreibt ihre Erstellung, Aktivierung und Vorteile bei der Verbesserung des Projektmanagements und zur Verringerung der Abhängigkeitsprobleme.

Regelmäßige Ausdrücke sind leistungsstarke Tools für Musteranpassung und Textmanipulation in der Programmierung, wodurch die Effizienz bei der Textverarbeitung in verschiedenen Anwendungen verbessert wird.


Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

VSCode Windows 64-Bit-Download
Ein kostenloser und leistungsstarker IDE-Editor von Microsoft

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

MantisBT
Mantis ist ein einfach zu implementierendes webbasiertes Tool zur Fehlerverfolgung, das die Fehlerverfolgung von Produkten unterstützen soll. Es erfordert PHP, MySQL und einen Webserver. Schauen Sie sich unsere Demo- und Hosting-Services an.

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SAP NetWeaver Server-Adapter für Eclipse
Integrieren Sie Eclipse mit dem SAP NetWeaver-Anwendungsserver.