PyTorch学习笔记:F.normalize——数组归一化运算
torch.nn.functional.normalize(input, p=2.0, dim=1, eps=1e-12, out=None)
功能:利用 L p L_p Lp范数对输入的数组沿特定的维度进行归一化
对于尺寸为
(
n
0
,
…
,
n
d
i
m
,
…
,
n
k
)
(n_0,\dots,n_{dim},\dots,n_k)
(n0,…,ndim,…,nk)的输入数组input
,每个
n
d
i
m
n_{dim}
ndim上的元素向量
v
v
v沿着维度dim
进行转换,转换公式为:
v
=
v
max
(
∣
∣
v
∣
∣
p
,
ϵ
)
v=\frac{v}{\max(||v||_p,\epsilon)}
v=max(∣∣v∣∣p,ϵ)v
范数计算公式
对于数据 x = [ x 1 , x 2 , … , x n ] T x=[x_1,x_2,\dots,x_n]^T x=[x1,x2,…,xn]T:
- L p L_p Lp范数: ∣ ∣ x ∣ ∣ p = ( ∣ x 1 ∣ p + ∣ x 2 ∣ p + ⋯ + ∣ x n ∣ p ) 1 p ||x||_p=(|x_1|^p+|x_2|^p+\dots+|x_n|^p)^{\frac1p} ∣∣x∣∣p=(∣x1∣p+∣x2∣p+⋯+∣xn∣p)p1
- L 1 L_1 L1范数: ∣ ∣ x ∣ ∣ 1 = ∣ x 1 ∣ + ∣ x 2 ∣ + ⋯ + ∣ x n ∣ ||x||_1=|x_1|+|x_2|+\dots+|x_n| ∣∣x∣∣1=∣x1∣+∣x2∣+⋯+∣xn∣
- L 2 L_2 L2范数: ∣ ∣ x ∣ ∣ 2 = ( ∣ x 1 ∣ 2 + ∣ x 2 ∣ 2 + ⋯ + ∣ x n ∣ 2 ) 1 2 ||x||_2=(|x_1|^2+|x_2|^2+\dots+|x_n|^2)^{\frac12} ∣∣x∣∣2=(∣x1∣2+∣x2∣2+⋯+∣xn∣2)21
输入:
input
:输入的数组,数组数据类型为float
p
:指定使用的范数,数据类型为float
,默认2.0dim
:指定的维度,数据类型为int
,默认1eps
:边界值,防止分母为0,默认1e-12
代码案例
一般用法
import torch.nn.functional as F
import torch
a = torch.arange(20, dtype=torch.float).reshape(4,5)
b = F.normalize(a, dim=0)
c = F.normalize(a, dim=1)
print(a)
print(b)
print(c)
输出
# 输入的数组
tensor([[ 0., 1., 2., 3., 4.],
[ 5., 6., 7., 8., 9.],
[10., 11., 12., 13., 14.],
[15., 16., 17., 18., 19.]])
# dim=0时,即沿第一维度(列)做归一化
tensor([[0.0000, 0.0491, 0.0907, 0.1261, 0.1564],
[0.2673, 0.2949, 0.3175, 0.3363, 0.3519],
[0.5345, 0.5406, 0.5443, 0.5464, 0.5474],
[0.8018, 0.7864, 0.7711, 0.7566, 0.7430]])
# dim=1时,即沿第二维度(行)做归一化
# 维度记忆技巧:最后一个维度始终是行,从后向前推:行、列、通道
tensor([[0.0000, 0.1826, 0.3651, 0.5477, 0.7303],
[0.3131, 0.3757, 0.4384, 0.5010, 0.5636],
[0.3701, 0.4071, 0.4441, 0.4812, 0.5182],
[0.3932, 0.4195, 0.4457, 0.4719, 0.4981]])
官方文档
torch.nn.functional.normalize:https://pytorch.org/docs/stable/generated/torch.nn.functional.normalize.html#torch.nn.functional.normalize
初步完稿于:2022年2月6日