189 8069 5689
本篇文章为大家展示了怎么在PyTorch中使用Tensor进行数据统计，内容简明扼要并且容易理解，绝对能使你眼前一亮，通过这篇文章的详细介绍希望你能有所收获。
张量范数：torch.norm(input, p=2) → float
返回输入张量 input 的 p 范数
举个例子：
>>> import torch >>> a = torch.full([8], 1) >>> b = a.view(2, 4) >>> c = a.view(2, 2, 2) >>> a.norm(1), b.norm(1), c.norm(1) # 求 1- 范数 (tensor(8.), tensor(8.), tensor(8.)) >>> a.norm(2), b.norm(2), c.norm(2) # 求 2- 范数 (tensor(2.8284), tensor(2.8284), tensor(2.8284)) >>> a.norm(3), b.norm(3), c.norm(3)# 求 ∞- 范数 (tensor(2.), tensor(2.), tensor(2.)) >>> b tensor([[1., 1., 1., 1.], [1., 1., 1., 1.]]) >>> b.norm(1, 1) # 在 1 维度上求 1- 范数 tensor([4., 4.]) >>> b.norm(2, 1) # 在 1 维度上求 2- 范数 b.norm(1, 2) >>> c tensor([[[1., 1.], [1., 1.]], [[1., 1.], [1., 1.]]]) >>> c.norm(1, 0) # 在 0 维度上求 1- 范数 tensor([[2., 2.], [2., 2.]]) >>> c.norm(2, 0) # 在 0 维度上求 2- 范数 tensor([[1.4142, 1.4142], [1.4142, 1.4142]])
只有一个参数时，表示对整个张量求范数，参数表示范数的幂指数值。
有两个参数时，表示在张量某一维度对尺寸中每一部分求范数，第一个参数是范数的幂指数值，第二个参数是选择的维度。
张量统计
最基础的统计方法，比如张量中的最小值、大值、均值、累加、累积。
举个例子：
>>> 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.sum(), a.prod() # 分别求最小值、大值、均值、累加、累积 (tensor(0.), tensor(7.), tensor(3.5000), tensor(28.), tensor(0.)) >>> a.argmin(), a.argmax() # 分别是把张量打平后最小值、大值的索引 (tensor(0), tensor(7)) >>> a.argmin(1), a.argmax(1) # 不打平求 1 维度中每一部分最小值、大值的索引 (tensor([0, 0]), tensor([3, 3]))
dim和keepdim
>>> a = torch.randn(5, 10) >>> a tensor([[-0.6346, -0.9074, 0.1525, 0.1901, -0.5391, -0.2437, 1.0150, -0.0427, -1.5336, 0.8542], [-0.1879, 1.9947, -0.3524, -1.2559, -0.8129, -0.3018, 0.5654, 0.8428, -0.3517, -0.7787], [ 0.0686, 0.6166, 0.2632, -0.0947, -0.5592, -1.4041, 1.5565, 1.5616, -1.3076, -0.1137], [ 0.5205, -1.5716, -1.1277, 0.8096, -0.2123, -0.0974, 0.7698, 1.1373, 0.5165, 0.5256], [-0.4162, 0.3170, 0.2368, 1.1695, -0.1960, -0.3285, 0.2420, 1.6468, 0.2646, 0.4573]]) >>> a.max(dim=1) (tensor([1.0150, 1.9947, 1.5616, 1.1373, 1.6468]), tensor([6, 1, 7, 7, 7])) >>> a.argmax(dim=1) tensor([6, 1, 7, 7, 7])
max 添加 dim 后不仅显示了 1 维度中每一部分的大值，还显示了其索引
>>> a.max(dim=1, keepdim=True) (tensor([[1.0150], [1.9947], [1.5616], [1.1373], [1.6468]]), tensor([[6], [1], [7], [7], [7]])) >>> a.argmax(dim=1, keepdim=True) tensor([[6], [1], [7], [7], [7]])
保持维度一致。添加 keepdim 后，得出的结果维度不改变，原来是二维的数据，得出的结果还是二维。不添加得出的结果就是一维的。
比较操作
torch.topk(input, k, dim=None, largest=True, sorted=True, out=None) -> (Tensor, LongTensor)
沿给定 dim 维度返回输入张量 input 中 k 个大值。 如果不指定 dim，则默认为 input 的最后一维。 如果为 largest 为 False ，则返回最小的 k 个值。
返回一个元组 (values,indices)，其中 indices 是原始输入张量 input 中测元素下标。 如果设定布尔值 sorted 为_True_，将会确保返回的 k 个值被排序。
torch.kthvalue(input, k, dim=None, out=None) -> (Tensor, LongTensor) 取输入张量 input 指定维上第 k 个最小值。如果不指定 dim，则默认为 input 的最后一维。
返回一个元组 (values,indices)，其中indices是原始输入张量input中沿dim维的第 k 个最小值下标。
举个例子：
>>> b = torch.randn(5, 10) >>> b tensor([[ 0.1863, 0.0160, -1.0657, -1.8984, 2.3274, 0.6534, 1.8126, 1.8666, 0.4830, -0.7800], [-0.9359, -1.0655, 0.8321, 1.6265, 0.6812, -0.2870, 0.6987, 0.6067, -0.1318, 0.7819], [-3.1129, 0.9571, -0.1319, -1.0016, 0.7267, 0.1060, -0.2926, 0.3492, 1.0026, 0.2924], [-0.7101, -0.8327, 0.5463, 0.3805, -0.8720, -1.6723, 0.0365, 1.5540, 0.1940, 1.4294], [ 0.4174, -0.9414, -0.0351, -1.6142, -0.7802, -2.3916, -2.4822, 0.7233, -0.7037, 0.2725]]) >>> b.topk(3, dim=1) (tensor([[2.3274, 1.8666, 1.8126], [1.6265, 0.8321, 0.7819], [1.0026, 0.9571, 0.7267], [1.5540, 1.4294, 0.5463], [0.7233, 0.4174, 0.2725]]), tensor([[4, 7, 6], [3, 2, 9], [8, 1, 4], [7, 9, 2], [7, 0, 9]])) >>> b.topk(3, dim=1, largest=False) (tensor([[-1.8984, -1.0657, -0.7800], [-1.0655, -0.9359, -0.2870], [-3.1129, -1.0016, -0.2926], [-1.6723, -0.8720, -0.8327], [-2.4822, -2.3916, -1.6142]]), tensor([[3, 2, 9], [1, 0, 5], [0, 3, 6], [5, 4, 1], [6, 5, 3]])) >>> a.kthvalue(8, dim=1) (tensor([0.1034, 0.8940, 0.6155, 0.4210, 0.1955]), tensor([1, 2, 6, 4, 7]))
topk 添加 largest=False 就是返回最小，不添加就是返回大。
kthvalue 返回以从大到小排列的指定位置的数。上面代码中即为返回第 8 小的数。
torch.eq(input, other, out=None) → Tensor
比较元素相等性。第二个参数可为一个数或与第一个参数同类型形状的张量。
torch.equal(tensor1, tensor2) → bool
如果两个张量有相同的形状和元素值，则返回 True ，否则 False。
举个例子：
>>> a = torch.ones(2, 3) >>> b = torch.randn(2, 3) >>> torch.eq(a, b) tensor([[0, 0, 0], [0, 0, 0]], dtype=torch.uint8) >>> torch.eq(a, a) tensor([[1, 1, 1], [1, 1, 1]], dtype=torch.uint8) >>> torch.equal(a, a) True
eq 比较张量中的每个数据，equal 比较整个张量
上述内容就是怎么在PyTorch中使用Tensor进行数据统计，你们学到知识或技能了吗？如果还想学到更多技能或者丰富自己的知识储备，欢迎关注创新互联成都网站设计公司行业资讯频道。
另外有需要云服务器可以了解下创新互联scvps.cn，海内外云服务器15元起步，三天无理由+7*72小时售后在线，公司持有idc许可证，提供“云服务器、裸金属服务器、高防服务器、香港服务器、美国服务器、虚拟主机、免备案服务器”等云主机租用服务以及企业上云的综合解决方案，具有“安全稳定、简单易用、服务可用性高、性价比高”等特点与优势，专为企业上云打造定制，能够满足用户丰富、多元化的应用场景需求。