PyTorch教程（七）：属性统计

范数

1-范数：${\Vert x\Vert }_1={\sum }_{i=1}^N\left|x_i\right|$ 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：${\Vert x\Vert }_2=\sqrt{{\sum }_{i=1}^N{x}_i^2}$，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