PyTorch教程（七）：属性统计

我不是女神ヾ 2022-10-30 15:30 197阅读 0赞

# 范数 #

1-范数： ∥ x ∥ 1 = ∑ i = 1 N ∣ x i ∣ \\left \\| x \\right \\|\_1=\\sum\_\{i=1\}^N\\left| x\_i \\right| ∥x∥1=∑i=1N∣xi∣ 即向量元素绝对值之和。

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() # 需要转化为float，否则报错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-范数： ∥ x ∥ 2 = ∑ i = 1 N x i 2 \\left \\| x \\right \\|\_2=\\sqrt\{\\sum\_\{i=1\}^Nx\_i^2\} ∥x∥2=∑i=1Nxi2，即向量元素绝对值的平方和再开方。

a.norm(2) # tensor(2.8284)
    b.norm(2) # tensor(2.8284)
    c.norm(2) # tensor(2.8284)
    
    # 在第一个维度上，1-范数
    b.norm(1,dim=1) # tensor([4., 4.])
    # 在第一个维度上，2-范数
    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，将数据打平之后的索引
    a.argmin() # tensor(0) 最小值的索引，将数据打平之后的索引
    
    a = torch.randn(4,10) 
    a.argmax(dim=1) # tensor([0, 1, 4, 9]) 返回维度的最大数的索引
    
    # 更简单的做法，直接返回最大值和对应的索引
    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这个维度中，获取前三个最大的值，并返回对应的索引
    # 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个
    a.topk(3, dim=1, largest = False)
    
    # 第8小的(相当于第3大)，方法只能算第几小，不能算第几大
    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]))

# 逻辑运算 #

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