pytorch-tensor属性统计（norm,max,min...）

阅读目录

norm(范式)
mean,sum,min,max,prod
argmax(),argmin()
Top-K or k-th
compare

statistics
▪ norm (范数)
▪ mean,sum （平均值,求和）
▪ prod （累乘）
▪ max, min, argmin, argmax
▪ kthvalue, topk（第k大）

norm(范式)

这里面有一范式和二范式。
一范式：

| | x | |_{1} = \sum_{k} | x_{k} |

$||x||_1=\sum_k|x_k|$

二范式：

| | x | |_{1} = \sqrt{\sum_{k} x_{k}^{2}}

$||x||_1=\sqrt{\sum_k{x_k^2}}$

a.norm(k,dim)
这个dim，可以不填，不填就是整个tensor的范式

a=torch.full([8],1.)
b=a.view(2,4)
c=a.view(2,2,2)
b
# tensor([[1., 1., 1., 1.],
#         [1., 1., 1., 1.]])

c
# tensor([[[1., 1.],
#          [1., 1.]],
# 
#         [[1., 1.],
#          [1., 1.]]])


a.norm(1),b.norm(1),c.norm(1)
# (tensor(8.), tensor(8.), tensor(8.))

a.norm(2),b.norm(2),c.norm(2)
# (tensor(2.8284), tensor(2.8284), tensor(2.8284))

对于a.norm(2,dim)
如果加了维度的话，就是该维度变没有了
比如[2,3,4]
dim=0，就是两个[3,4]对应位置求范式操作
dim=1,就是三个[2,4]对应位置求范式操作
dim=2，就是四个[2,3]对应位置求范式操作

b.norm(1,dim=1)
# tensor([4., 4.])


b.norm(2,dim=1)
# tensor([2., 2.])


b.norm(1,dim=0)
# tensor([2., 2., 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]])

t=torch.rand(2,3,4)
t.norm(1,dim=0).shape
# torch.Size([3, 4])


t.norm(1,dim=1).shape
# torch.Size([2, 4])


t.norm(1,dim=2).shape
# torch.Size([2, 3])

回到顶部

mean,sum,min,max,prod

a.sum(dim,keepdim=False)
torch.sum(a,dim)
对于这个dim，就是我们按照dim维度进行求和，
比如说：a.shape=[4,5]
torch.sum(a,dim=0),返回的shape=[5]
torch.sum(a,dim=1),返回的shape=[4]
再比如说：a.shape=[2,4,5]
torch.sum(a,dim=0)，返回的shape=[4,5]
torch.sum(a,dim=1), 返回的shape=[2,5]
torch.sum(a,dim=2), 返回的shape=[2,4]
torch.sum(a,dim=[0,2])，返回的shape=[4]
然后这里面我们还有个参数keepdim=False，默认是False
如果是True的话就是保留原来的shape
对于a.shape=[2,4,5]时，
torch.sum(a,dim=0).shape=[1,4,5]
torch.sum(a,dim=[0,2]).shape=[1,4,1]

a.mean()
torch.mean(a,dim)
均值

a.min()
torch.min(a,dim)
求最小值

a.max()
torch.max(a,dim)

a=torch.arange(8).view(2,4).float()
a
# tensor([[0., 1., 2., 3.],
#         [4., 5., 6., 7.]])
a.min(),a.max(),a.mean(),a.prod()
# (tensor(0.), tensor(7.), tensor(3.5000), tensor(0.))
a.sum()
# tensor(28.)

回到顶部

argmax(),argmin()

a.argmax(dim)或者torch.argmax(a,dim)
如果不加dim的话，默认求整个tensor的最大值所在的位置，但是这个位置是打平之后的位置
加上dim之后就是在该维度上,返回该维度上每一个位置的最大值所在位置

a
# tensor([[0., 1., 2., 3.],
#         [4., 5., 6., 7.]])


a.argmax()
# tensor(7)

这个函数用处比较多的地方是在多分类预测的softmax之后，我们要得到每一个样本最大值所在位置的时候

a=torch.randn(4,10)
a


a.argmax(dim=1)
# tensor([7, 0, 9, 5])
# 这个相当于4个样本，10分类，然后返回的是每个样本的预测值所在位置

这个相当于4个样本，10分类，然后返回的是每个样本的预测值所在位置

回到顶部

Top-K or k-th

▪ .topk

Largest

▪ kthvalue

a.topk(k,dim)
返回dim维度上前k大的值
假如a=[4,10],a.topk(3,dim=1)，则返回的shape=[4,3]，topk(3,dim=0),则返回的shape=[3,10]
这个函数默认前k大，如果想返回前k小的话，就是a.topk(k,dim,largest=False)