范數

1-范數：${\Vert x\Vert }_1={\sum }_{i=1}^N\left|x_i\right|$ 即向量元素絕對值之和。

import torch a = torch.full([8],1) b = a.view(2,4) # tensor([[1, 1, 1, 1], # [1, 1, 1, 1]]) c = a.view(2,2,2) # tensor([[[1, 1], # [1, 1]], # # [[1, 1], # [1, 1]]]) a = a.float() # 需要轉化為float，否則報錯Can only calculate the mean of floating types. Got Long instead b = b.float() c = c.float()# 第一范式 a.norm(1) # tensor(8.) b.norm(1) # tensor(8.) c.norm(1) # tensor(8.)

2-范數：${\Vert x\Vert }_2=\sqrt{{\sum }_{i=1}^N{x}_i^2}$，即向量元素絕對值的平方和再開方。

a.norm(2) # tensor(2.8284) b.norm(2) # tensor(2.8284) c.norm(2) # tensor(2.8284)# 在第一個維度上，1-范數 b.norm(1,dim=1) # tensor([4., 4.]) # 在第一個維度上，2-范數 b.norm(2,dim=1) # tensor([2., 2.])c.norm(1,dim=0) # tensor([[2., 2.], # [2., 2.]]) c.norm(2,dim=0) # tensor([[1.4142, 1.4142], # [1.4142, 1.4142]])

mean、sum、min、max、prod

a = torch.arange(8).view(2,4).float() # tensor([[0., 1., 2., 3.], # [4., 5., 6., 7.]]) a.min() # tensor(0.) 最小值 a.max() # tensor(7.) 最大值 a.mean() # tensor(3.5000) 平均值 a.sum() # tensor(28.) 累加 a.prod() # tensor(0.) 累乘 a.argmax() # tensor(7) 最大值的索引，將數據打平之后的索引 a.argmin() # tensor(0) 最小值的索引，將數據打平之后的索引a = torch.randn(4,10) a.argmax(dim=1) # tensor([0, 1, 4, 9]) 返回維度的最大數的索引# 更簡單的做法，直接返回最大值和對應的索引 a.max(dim=1) # torch.return_types.max( # values=tensor([1.7486, 0.8279, 1.1447, 2.9224]), # indices=tensor([0, 1, 4, 9]))

topk

a = torch.rand(4,10) # tensor([[0.1952, 0.0522, 0.0049, 0.5136, 0.8603, 0.8427, 0.8195, 0.9584, 0.2865, # 0.3642], # [0.1997, 0.4595, 0.3956, 0.6997, 0.1752, 0.6585, 0.4618, 0.8720, 0.4493, # 0.8950], # [0.3413, 0.3944, 0.4641, 0.5972, 0.7680, 0.6328, 0.0565, 0.6384, 0.8459, # 0.1884], # [0.8966, 0.7085, 0.9635, 0.8404, 0.3393, 0.1922, 0.2011, 0.9136, 0.9064, # 0.6741]])# top3 a.topk(3, dim=1) # 在10這個維度中，獲取前三個最大的值，并返回對應的索引 # torch.return_types.topk( # values=tensor([[0.9584, 0.8603, 0.8427], # [0.8950, 0.8720, 0.6997], # [0.8459, 0.7680, 0.6384], # [0.9635, 0.9136, 0.9064]]), # indices=tensor([[7, 4, 5], # [9, 7, 3], # [8, 4, 7], # [2, 7, 8]]))# 最小3個 a.topk(3, dim=1, largest = False)# 第8小的(相當于第3大)，方法只能算第幾小，不能算第幾大 a.kthvalue(8,dim=1) # torch.return_types.kthvalue( # values=tensor([0.8427, 0.6997, 0.6384, 0.9064]), # indices=tensor([5, 3, 7, 8]))

邏輯運算

a = torch.rand(2,3) # tensor([[0.3328, 0.8201, 0.0464], # [0.6762, 0.1728, 0.4123]]) a>0 # tensor([[True, True, True], # [True, True, True]]) b = torch.ones(2,3)torch.eq(a,b) # tensor([[False, False, False], # [False, False, False]])torch.equal(a,b) # False

總結

以上是生活随笔為你收集整理的PyTorch教程（七）：属性统计的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。