torch之学习笔记——统计操作

常见的统计操作：

Norm:求范数

Mean sum :均值，求和

Prod: 累乘

Max,min,argmin,argmax : 最大值，最小值，最大值，最小值的位置

Kthvalue, topk : 第几个位置的位置或者值，top几 的值或者位置。

 高阶统计操作：

Where 和 gather  ：根据条件选取源头，和查表的操作。

1, norm 范数，统计tensor范数的值 

        注意：norm 和normalize不同，normalize指的是归一化，正则化。这个norm指的是vector norm 向量范数。但是在pytorh中就变成了matix norm 和vector norm 有一点区别：

 

         代码：

a = torch.full([8], 1)
b = a.view(2, 4)
c = a.view(2, 2, 2)
print(b)  # shape : [2,4]
print(c)
# 对tensor所有元素求一范数，就是所有元素和
print(a.norm(1),b.norm(1),c.norm(1))  # tensor(8.) tensor(8.) tensor(8.)
# 对tensor所有元素求二范数，就是所有元素平方和，开根号。
print(a.norm(2),b.norm(2),c.norm(2))  # tensor(2.8284) tensor(2.8284) tensor(2.8284)
# 对第一个维度上的元素进行一范数
print(b.norm(1,dim=1)) # b-shape: [2,4]  # tensor([4., 4.]) shape==>[2]
# 对第一个维度上的元素进行二范数
print(b.norm(2,dim=1)) # b-shape: [2,4]  # tensor([2., 2.]) shape==>[2]
# 对第0个维度上的元素进行一范数
print(c.norm(1,dim=0)) # c_shape : [2,2,2] # tensor([[2., 2.],[2., 2.]])  shape==>[2,2]
# 对第0个维度上的元素进行二范数
print(c.norm(2,dim=0)) # c_shape : [2,2,2] # tensor([[2., 2.],[2., 2.]])  shape==>[2,2]

 

 2, mean，sum, min , max , prod : 均值，求和，最小值，最大值，累乘

        注意：函数中（）不加参数，表示对所有元素的统计操作。

注意 argmax /argmin 对所有元素操作，会先把tensor打平。

在维度的统计的例子：

 3, dim ,和keepdim在统计中的作用：

        Keepdim和统计之前的tensor保持相同的dim

a = torch.rand(4,10)
print(a)
# torch.return_types.max(values=tensor([0.9392, 0.8477, 0.8333, 0.7605]),
# indices=tensor([0, 0, 9, 7]))  # shape==>[4]
print(a.max(dim=1))
print(a.argmax(dim=1)) # tensor([0, 0, 9, 7]) # shape==>[4]

print(a.max(dim=1,keepdim=True)) # shape==>[4 ,1]
print(a.argmax(dim=1,keepdim=True)) # shape==>[4 ,1] (和统计之前的tensor保持相同的dim) 

4,top-k or k-th讲解：

        Topk ：例子 （属于是max 的扩展，找到前K个最大/最小的元素）

        Kthvalue: 返回指定dim维度中第几小的元素（第几个元素，元素从小到大排。）

例子：

 5,其他统计操作：>,>=,<,<=,!=,==:

        注意：torch.eq(a.b)返回的是每一个元素是否相等

                Torch.equal（a,b）返回的是整个tensor比较的结果。

6,Where 和 gather  ：根据条件选取源头，和查表的操作。

        1,where 根据条件：

                例子：

         2,Gather操作 收集操作：

                 例子：