MindSpore的ReduceMax和max操作有何本质区别？

问题背景 在原生的Python中，我们使用求最大值max操作，只会得到计算之后的最大值结果。但是在一些深度学习框架中，特别是在多维的场景下，除了得到一系列的最大值之外，还会得到最大值对应的索引。而MindSpore则支持了两种不同的模式（分别依托于两个算子），既可以输出最大值+索引，也可以只输出最大值。 案例演示 首先用PyTorch来演示一下普通的max算子的计算结果： In [1]: import torch as tc In [2]: a = tc.arange(9).reshape((3,3)) In [3]: print (a) tensor([[0, 1, 2], [3, 4, 5], [6, 7, 8]]) In [4]: tc.max(a, -1) Out[4]: torch.return_types.max( values=tensor([2, 5, 8]), indices=tensor([2, 2, 2])) 得到的是一个像字典一样的数据结构，values就是最大值，indices是最大值所在维度的编号。在pytorch里面，没有找到reduce_max的实现，也就是只有这种输出形式。不过在mindspore中，除了普通的max算子，还支持了一个ReduceMax算子： In [1]: import mindspore as ms In [2]: from mindspore import Tensor, ops In [3]: a = ms.numpy.arange(9).reshape((3,3)) In [4]: print (a) [[0 1 2] [3 4 5] [6 7 8]] In [7]: b = ops.ReduceMax(keep_dims=False)(a, -1) In [8]: print (b) [2 5 8] In [9]: c = ops.max(a, -1) In [10]: c Out[10]: (Tensor(shape=[3], dtype=Int32, value= [2, 5, 8]), Tensor(shape=[3], dtype=Int32, value= [2, 2, 2])) 这个ReduceMax算子，可以只输出最大值而不输出索引，这在有些情况下可以节约计算空间。 总结概要 本文介绍了在pytorch和mindspore中两种计算张量最大值的算子，如果直接使用max算子，两者的输出都是最大值元素和最大值索引。但是mindspore中额外的支持了ReduceMax算子，可以允许我们只输出最大值而不输出最大值索引。 版权声明 本文首发链接为：https://www.cnblogs.com/dechinphy/p/reduce_max.html 作者ID：DechinPhy 更多原著文章：https://www.cnblogs.com/dechinphy/ 请博主喝咖啡：https://www.cnblogs.com/dechinphy/gallery/image/379634.html