注: 这是个人笔记，想了解的还是去torch官网吧，这一类numpy接口，用的时候还是单独测试一下，防止出错
torch.max
torch.max(input, dim, keepdim=False, out=None) -> (Tensor, LongTensor)
用的较多的是不同于传统的max，此函数返回相应维度的最大值及其索引（values, indices），如果keepdim = True，那么返回的values和indices相应的tensor的形状和input相同，只不过未选择到的元素会被squeeze，可见torch.aqueeze函数
示例如下
1,keepdim =True
a = torch.LongTensor([[2,3,5],[2,5,6],[5,4,8],[9,4,7]])
decoder_scores, decoder_input = torch.max(a, dim=1, keepdim = True)
print(decoder_input);print(decoder_input.size());print(a.size())
输出:
tensor([[2],
[2],
[2],
[0]])
torch.Size([4, 1])
torch.Size([4, 3])
2,keepdim = False （default）
a = torch.LongTensor([[2,3,5],[2,5,6],[5,4,8],[9,4,7]])
decoder_scores, decoder_input = torch.max(a, dim=1, keepdim = False)
print(decoder_input);print(decoder_input.size());print(a.size())
输出:
tensor([2, 2, 2, 0])
torch.Size([4])
torch.Size([4, 3])
可以看出 和torch.squeeze还是有区别的，需要自行体会
torch.cat
torch.cat(tensors, dim=0, out=None) → Tensor
拼接操作
例子：
>>> x = torch.randn(2, 3)
>>> x
tensor([[ 0.6580, -1.0969, -0.4614],
[-0.1034, -0.5790, 0.1497]])
>>> torch.cat((x, x, x), 0)
tensor([[ 0.6580, -1.0969, -0.4614],
[-0.1034, -0.5790, 0.1497],
[ 0.6580, -1.0969, -0.4614],
[-0.1034, -0.5790, 0.1497],
[ 0.6580, -1.0969, -0.4614],
[-0.1034, -0.5790, 0.1497]])
>>> torch.cat((x, x, x), 1)
tensor([[ 0.6580, -1.0969, -0.4614, 0.6580, -1.0969, -0.4614, 0.6580,
-1.0969, -0.4614],
[-0.1034, -0.5790, 0.1497, -0.1034, -0.5790, 0.1497, -0.1034,
-0.5790, 0.1497]])
2019-07-26：用于chatbot的decoding algorithm过程【greedy-search， beam-search】
