tensor的統計屬性

目錄

• tensor的統計屬性
  • morm範數
  • 常見統計屬性
  • dim、keepdim引數
  • topk kthvalue函式
  • compare比較運算

morm範數

檢視範數

範數1：所有元素的絕對值的求和

範數2：所有元素的絕對值的平方和的開方

例子1：

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)
#都是tensor(8)

a.norm(2),b.norm(2),c.norm(2)
#都是tensor(2.8284)  根號8

例子2：在指定的維數上面進行norm的檢視

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

b.norm(1,dim=1)
#tensor([4,4])  一共兩行 按行取

常見統計屬性

max（）：矩陣中的最大值以及相應的index

min（）：矩陣中的最小值以及相應的index

mean（）：平均值

prod（）：累乘

sum（）：求和

argmax（）：返回最大值的index

argmin（）：返回最小值的index

argmax與argmin不帶引數的話，會將矩陣先打平之後再尋找最值的index，這樣找到的index一定只是一維的，而不是打平之前的index

argmax（dim=1）來指定進行比較的方向

a = torch.randn(4,10)
a.argmax(dim=1)
#[3,8,6,4] 

dim、keepdim引數

dim引數：指定操作的相應位置在哪維

keepdim：在比較後保持維度，不刪除這一維

例子：

a = torch.rand(4,10)

print(a.max(dim=1))

torch.return_types.max(
values=tensor([0.9857, 0.8758, 0.5322, 0.9021]),   #這裡的value的shape：【4】dim=1
indices=tensor([5, 5, 4, 2]))

print(a.max(dim=1,keepdim=True))

torch.return_types.max(
values=tensor([[0.9857],  #這裡的value的shape是【4，1】 dim=2
        [0.8758],
        [0.5322],
        [0.9021]]),
indices=tensor([[5],
        [5],
        [4],
        [2]]))
 

topk kthvalue函式

topk函式與max其實是一樣的，只不過topk返回的是前幾大的資料

例子：

a = torch.rand(4,10)

print(a.topk(3,dim=1))#返回前三大的資料

torch.return_types.topk(
values=tensor([[0.8964, 0.8960, 0.8854],
        [0.9808, 0.8285, 0.7648],
        [0.9556, 0.7625, 0.7507],
        [0.8583, 0.6822, 0.6390]]),
indices=tensor([[2, 8, 0],
        [2, 9, 5],
        [8, 6, 2],
        [3, 5, 4]]))

而預設選擇最小的方法：

a.topk(3,dim=1,largest=False)

kthvalue函式：返回第幾小的元素

例子：

a = torch.rand(4,10)

print(a.kthvalue(8,dim=1))

torch.return_types.kthvalue(
values=tensor([0.9058, 0.6853, 0.4763, 0.8167]),
indices=tensor([1, 0, 7, 3]))

compare比較運算

對tensor中的所有資料進行比較，返回同樣shape的ByteTensor

例子：

a:[4,10]
a>0
返回shape【4，10】的tensor

注意torch.eq(a,b)函式與torch.equal(a,b)的區別：

torch.eq(a,b)：返回各個元素的比較（與原來的shape一樣）

torch.equal(a,b)：返回true或者false