tensor统计属性

函数	作用
norm	范数
mean	均值
sum	总和
prod	累乘
max min	最大值 最小值（也能有索引）
argmax argmin	最大值最小值所在索引
topk	前K大或前K小的数及索引
kthvalue	第K小的数及索引

1、norm

这个norm是范数的意思，并不是normalize正则化。

vector norm 和 matrix norm计算不同：

对于向量来说，是向量中各元素的p次方和的p次根；而对于矩阵来说，是矩阵中对应位置元素的p次方和的p次根。

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

b

c

a.norm(1), b.norm(1), c.norm(1)
#a.norm(p, dim=?) 1范数就是所有数绝对值求和，都是8个1
a.norm(2), b.norm(2), c.norm(2)
#2范数是所有数平方和之后开平方根，都是根号8
b.norm(1, dim=1)
#b的shape:[2,4]，dim=1就把第二个维度消掉，一行四列向量norm分别计算，结果shape为[2]
b.norm(2, dim=1)

c.norm(1, dim=0)
#c的shape为[2,2,2]，dim=0就把第一个维度消掉，两个两行两列矩阵norm计算，结果shape为[2，2]
c.norm(2, dim=0)
# [2,2]shape的矩阵，第n行第n列的值为两矩阵中该位置元素平方和的平方根

2、mean sum prod min max

prod是累乘，其它几个函数都日常认识

a = torch.arange(8).view(2,4).float()

a.mean(), a.sum(), a.prod()

a.min(), a.max()

对于 argmin argmax：

如果不给定dim=？，就在使用argmin/max时会默认把张量打平，返回打平会所有元素中最小或最大值的索引，结果为单一标量。
如果给定dim=？，会消除该指定维度，并返回该维度的最大或最小值所在索引。
(max和min函数加不加dim效果同理)

a = torch.arange(8).view(2,4).float()

a.argmax()
a.argmax(dim=1)

补：keepdim
是max函数中除了dim之外的另一个参数

a.shape为（4，10）
a.max(dim=1)
a.max(dim=1,keepdim=True)
因为dim=1，要消除第二维度，
没有keepdim=True的情况下，结果shape为（4）
keepdim=True时，结果shape为（4，1），保持了原有的二维shape

3、top-k

相较于max(dim=?)只能输出目标维度最大值及其所在索引，top-k可根据k的大小，输出目标维度前k个元素值及其所在索引。

至于是最大的k个数还是最小的k个数，取决于是否添加参数largest=False

a.topk(2,dim=1)
输出每一行前二大的元素数值，及其在该行的索引

a.topk(2,dim=1, largest=False)

4、kthvalue

相较于max(dim=?)输出目标维度最大值及其所在索引，k-th输出的是第k小的数及其所在索引

a.kthvalue(4,dim=1) #keepdim加上看着更直观
#shape为（2，4），每一行长度都为4，所以k=4时，找第四小的数就是最大的数