今天边肖就给大家详细讲解一下PyTorch中topk函数的用法，有很好的参考价值。希望对你有帮助。来和边肖一起看看吧。

从名字就能看出来，这个函数是用来求张量中一个dim的顶k或底k的值以及对应的索引的。

用法

torch.topk(input，k，dim=None，maximum=True，sorted=True，out=None) - (Tensor，LongTensor)

输入：一个张量数据

k:表示获得第k个数据及其索引。

Dim:指定要排序的维，默认为最后一个维。

最大：如果为真，则按从大到小的顺序排序；如果为False，则从最小到最大排序。

排序：返回的结果按顺序返回。

Out:默认，不要

topk最常见的场合是找到一个样本，该样本被网络认为是前K个最可能的类别。让我们以这个场景为例来说明函数的使用。

假设一，n是样本数，一般等于批量，d是类别数。我们想知道每个样本最有可能属于哪个类别，但是我们实际上可以用torch.max得到如果你想用topk，那么K应该设置为1。

进口火炬

pred=torch.randn((4，5))

打印(预测)

values，indexes=pred . topk(1，dim=1，maximum=True，sorted=True)

打印(索引)

#使用max获得的结果，将keepdim设置为True以避免降维。因为topk函数返回的索引没有降维，所以形状与输入一致。

_，indexes _ max=pred . max(dim=1，keepdim=True)

print(indexes _ max==indexes)

#预测

张量([[-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 shape是[4，1]，

张量([[3]，# [0，0])表示第一个样本最有可能属于第一类。

[2]，# [1，0]表示第二个样本最有可能属于第二类。

[4],

[2]])

# indices _ max等于索引

张量([[真]，

[真]，

[真]，

[真]])

现在在尝试一下k=2

进口火炬

pred=torch.randn((4，5))

打印(预测)

values，indexes=pred . topk(2，dim=1，maximum=True，sorted=True) # k=2

打印(索引)

#预测

张量([[-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]])

#索引

张量([[2，3]，

[2, 1],

[2, 1],

[4, 1]])

可以发现，指数的形状变成[4，k]，k=2。

其中索引[0]=[2，3]。意味着第一个样本的前两个最大概率分别对应类别3和类别4。

您可以打印自己的值。可以发现，值的形状与指数的形状相同。Indices描述了相应值在pred值中的位置。

以上对PyTorch中topk函数用法的详细说明，就是边肖分享的全部内容。希望给大家一个参考，多多支持我们。