Pytorch Tensor的统计属性实例讲解
1.范数
示例代码：
importtorch a=torch.full([8],1) b=a.reshape([2,4]) c=a.reshape([2,2,2]) #求L1范数(所有元素绝对值求和) print(a.norm(1),b.norm(1),c.norm(1)) #求L2范数(所有元素的平方和再开根号) print(a.norm(2),b.norm(2),c.norm(2)) #在b的1号维度上求L1范数 print(b.norm(1,dim=1)) #在b的1号维度上求L2范数 print(b.norm(2,dim=1)) #在c的0号维度上求L1范数 print(c.norm(1,dim=0)) #在c的0号维度上求L2范数 print(c.norm(2,dim=0))
输出结果：
tensor(8.)tensor(8.)tensor(8.) tensor(2.8284)tensor(2.8284)tensor(2.8284) tensor([4.,4.]) tensor([2.,2.]) tensor([[2.,2.], [2.,2.]]) tensor([[1.4142,1.4142], [1.4142,1.4142]])
2.一些常用操作
（1）均值、累加、最小、最大、累积
示例代码：
b=torch.arange(8).reshape(2,4).float() print(b) #均值,累加,最小,最大,累积 print(b.mean(),b.sum(),b.min(),b.max(),b.prod()) #打平后的最小最大值索引 print(b.argmax(),b.argmin())
输出结果：
tensor([[0.,1.,2.,3.], [4.,5.,6.,7.]]) tensor(3.5000)tensor(28.)tensor(0.)tensor(7.)tensor(0.) tensor(7)tensor(0)
注意：上面的argmax、argmin操作默认会将Tensor打平后取最大值索引和最小值索引，如果不希望Tenosr打平，而是求给定维度上的索引，需要指定在哪一个维度上求最大值索引或最小值索引。
比如，有shape=[4,10]的Tensor，表示4张图片在10分类的概率结果，我们需要知道每张图片的最可能的分类结果：
a=torch.rand(4,10) print(a) #在第二维度上求最大值索引 print(a.argmax(dim=1))
输出结果：
tensor([[0.0711,0.5641,0.7945,0.6964,0.3609,0.5817,0.1705,0.6913,0.1263, 0.8346], [0.0810,0.0771,0.1983,0.0344,0.1067,0.9591,0.8515,0.3046,0.0491, 0.1291], [0.3527,0.2676,0.9859,0.2656,0.1985,0.3759,0.8221,0.3571,0.5340, 0.7759], [0.0969,0.3954,0.5478,0.3543,0.8253,0.9291,0.4960,0.4390,0.3780, 0.5858]]) tensor([9,5,2,5])
（2）直接使用max和min配合dim参数也可以获得最值索引，同时得到最值的具体值：
print(c.max(dim=1))
输出结果：
(tensor([0.9589,1.7394,1.3448,2.2079]),tensor([2,2,5,7]))
（3）使用keepdim=True可以保持应有的dim，即仅仅是将求最值的那个dim的size变成了1，返回的结果是符合原Tensor语义的。
print(c.argmax(dim=1,keepdim=True)) print(c.max(dim=1,keepdim=True))
输出结果：
tensor([[2], [2], [5], [7]]) (tensor([[0.9589], [1.7394], [1.3448], [2.2079]]),tensor([[2], [2], [5], [7]]))
（4）取前k大/前k小/第k小的概率值及其索引
使用topk代替max可以完成更灵活的需求，有时候不是仅仅要概率最大的那一个，而是概率最大的k个。如果不是求最大的k个，而是求最小的k个，只要使用参数largest=False，kthvalue还可以取第k小的概率值及其索引。
示例代码：
#2个样本,分为10个类别的置信度 d=torch.randn(2,10) #最大概率的3个类别 print(d.topk(3,dim=1)) #最小概率的3个类别 print(d.topk(3,dim=1,largest=False)) #求第8小概率的类别(一共10个那就是第3大) print(d.kthvalue(8,dim=1))
输出结果：
(tensor([[2.0692,1.6490,0.9526], [1.5983,1.5737,1.5532]]),tensor([[6,3,5], [8,1,2]])) (tensor([[-1.0023,-0.6423,0.0655], [-1.2959,-1.1504,-0.9859]]),tensor([[4,0,2], [0,5,3]])) (tensor([0.9526,1.5532]),tensor([5,2]))
（5）比较操作
示例代码：
importtorch a=torch.randn(2,3) b=torch.randn(2,3) print(a) print(b) #比较是否大于0，是对应位置返回1，否对应位置返回0，注意得到的是ByteTensor print(a>0) print(torch.gt(a,0)) #是否不等于0，是对应位置返回1，否对应位置返回0 print(a!=0) #比较每个位置是否相等，是对应位置返回1，否对应位置返回0 print(torch.eq(a,b)) #比较每个位置是否相等，全部相等时才返回True print(torch.equal(a,b),torch.equal(a,a))
输出结果：
tensor([[-0.1425,-1.1142,0.2224], [0.6142,1.7455,-1.1776]]) tensor([[-0.0774,-1.1012,-0.4862], [-0.3110,-0.2110,0.0381]]) tensor([[0,0,1], [1,1,0]],dtype=torch.uint8) tensor([[0,0,1], [1,1,0]],dtype=torch.uint8) tensor([[1,1,1], [1,1,1]],dtype=torch.uint8) tensor([[0,0,0], [0,0,0]],dtype=torch.uint8) FalseTrue
以上这篇PytorchTensor的统计属性实例讲解就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持毛票票。
声明：本文内容来源于网络，版权归原作者所有，内容由互联网用户自发贡献自行上传，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任。如果您发现有涉嫌版权的内容，欢迎发送邮件至：czq8825#qq.com（发邮件时，请将#更换为@）进行举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。