◎欢迎参与讨论，请在这里发表您的看法、交流您的观点。
PyTorch 中的接近和相等
ID:20312 / 打印
请我喝杯咖啡☕
*备忘录：
- 我的帖子解释了 eq() 和 ne()。
- 我的帖子解释了 gt() 和 lt()。
- 我的帖子解释了 ge() 和 le()。
- 我的帖子解释了 torch.nan 和 torch.inf。
isclose() 可以检查第一个 0d 或更多 d 张量的零个或多个元素是否等于或接近等于第二个 0d 或更多 d 张量的零个或多个元素，得到 0d 或更多零个或多个元素的 d 张量如下所示：
*备忘录：
- isclose() 可以与 torch 或张量一起使用。
- 第一个参数（输入）使用 torch 或使用张量（必需类型：int、float、complex 或 bool 的张量）。
- 带有 torch 的第二个参数或带有张量的第一个参数是其他（必需类型：int、float、complex 或 bool 的张量）。
- 带有 torch 的第三个参数或带有张量的第二个参数是 rtol(optional-default:1e-05-type:float)。
- 带有 torch 的第四个参数或带有张量的第三个参数是 atol(optional-default:1e-08-type:float)。
- 带有 torch 的第五个参数或带有张量的第四个参数是 equal_nan(optional-default:false-type:bool)： *备注：
- 如果为 true，则 nan 和 nan 返回 true。
- 基本上，nan 和 nan 返回 false。
- 公式为 |输入 - 其他|
import torch tensor1 = torch.tensor([1.00001001, 1.00000996, 1.00000995, torch.nan]) tensor2 = torch.tensor([1., 1., 1., torch.nan]) torch.isclose(input=tensor1, other=tensor2) torch.isclose(input=tensor1, other=tensor2, rtol=1e-05, atol=1e-08, equal_nan=false) # 0.00001 # 0.00000001 tensor1.isclose(other=tensor2) torch.isclose(input=tensor2, other=tensor1) # tensor([false, false, true, false]) torch.isclose(input=tensor1, other=tensor2, equal_nan=true) # tensor([false, false, true, true]) tensor1 = torch.tensor([[1.00001001, 1.00000996], [1.00000995, torch.nan]]) tensor2 = torch.tensor([[1., 1.], [1., torch.nan]]) torch.isclose(input=tensor1, other=tensor2) torch.isclose(input=tensor2, other=tensor1) # tensor([[false, false], # [true, false]]) tensor1 = torch.tensor([[[1.00001001], [1.00000996]], [[1.00000995], [torch.nan]]]) tensor2 = torch.tensor([[[1.], [1.]], [[1.], [torch.nan]]]) torch.isclose(input=tensor1, other=tensor2) torch.isclose(input=tensor2, other=tensor1) # tensor([[[false], [false]], # [[true], [false]]]) tensor1 = torch.tensor([[1.00001001, 1.00000996], [1.00000995, torch.nan]]) tensor2 = torch.tensor([1., 1.]) torch.isclose(input=tensor1, other=tensor2) torch.isclose(input=tensor2, other=tensor1) # tensor([[false, false], # [true, false]]) tensor1 = torch.tensor([[1.00001001, 1.00000996], [1.00000995, torch.nan]]) tensor2 = torch.tensor(1.) torch.isclose(input=tensor1, other=tensor2) torch.isclose(input=tensor2, other=tensor1) # tensor([[false, false], # [true, false]]) tensor1 = torch.tensor([0, 1, 2]) tensor2 = torch.tensor(1) torch.isclose(input=tensor1, other=tensor2) # tensor([false, true, false]) tensor1 = torch.tensor([0.+0.j, 1.+0.j, 2.+0.j]) tensor2 = torch.tensor(1.+0.j) torch.isclose(input=tensor1, other=tensor2) # tensor([false, true, false]) tensor1 = torch.tensor([false, true, false]) tensor2 = torch.tensor(true) torch.isclose(input=tensor1, other=tensor2) # tensor([false, true, false])
equal() 可以检查两个 0d 或更多 d 张量是否具有相同的大小和元素，得到布尔值的标量，如下所示：
*备忘录：
- equal() 可以与 torch 或张量一起使用。
- 第一个参数（输入）使用 torch 或使用张量（必需类型：int、float、complex 或 bool 的张量）。
- 带有 torch 的第二个参数或带有张量的第一个参数是其他（必需类型：int、float、complex 或 bool 的张量）。
import torch tensor1 = torch.tensor([5, 9, 3]) tensor2 = torch.tensor([5, 9, 3]) torch.equal(input=tensor1, other=tensor2) tensor1.equal(other=tensor2) torch.equal(input=tensor2, other=tensor1) # True tensor1 = torch.tensor([5, 9, 3]) tensor2 = torch.tensor([7, 9, 3]) torch.equal(input=tensor1, other=tensor2) torch.equal(input=tensor2, other=tensor1) # False tensor1 = torch.tensor([5, 9, 3]) tensor2 = torch.tensor([[5, 9, 3]]) torch.equal(input=tensor1, other=tensor2) torch.equal(input=tensor2, other=tensor1) # False tensor1 = torch.tensor([5., 9., 3.]) tensor2 = torch.tensor([5.+0.j, 9.+0.j, 3.+0.j]) torch.equal(input=tensor1, other=tensor2) torch.equal(input=tensor2, other=tensor1) # True tensor1 = torch.tensor([1.+0.j, 0.+0.j, 1.+0.j]) tensor2 = torch.tensor([True, False, True]) torch.equal(input=tensor1, other=tensor2) torch.equal(input=tensor2, other=tensor1) # True tensor1 = torch.tensor([], dtype=torch.int64) tensor2 = torch.tensor([], dtype=torch.float32) torch.equal(input=tensor1, other=tensor2) torch.equal(input=tensor2, other=tensor1) # True
