torch.histc深入理解

用于统计落入区域的值的个数。

torch.histc(input, bins=100, min=0, max=0, *, out=None) → Tensor

Parameters:

• input (Tensor) – the input tensor.输入的值 input 的dtype必须为浮点型

• bins (int) – number of histogram bins 等分为几个区域

• min (Scalar) – lower end of the range (inclusive) 最小值边界

• max (Scalar) – upper end of the range (inclusive) 最大值边界

示例

import  torch
from torch import nn
a=torch.histc(torch.tensor([1.5, 2, 1,0,1,2.25]), bins=4, min=0, max=3)
print(a)

此时分为4等分，3-0/4=0.75

即分区为[0,0.75), [0.75, 1.5), [1.5,2.25), [2.25, 3]

注意最后一个区间两端都为闭区间。

结果

tensor([1., 2., 2., 1.])

验证边界是否是左闭右开

import  torch
from torch import nn
a=torch.histc(torch.tensor([1.5, 2, 1,0,1,2.24]), bins=4, min=0, max=3)
print(a)

最后一个数改为2.24后可以看到被分到了[1.5,2.25)，2.25被分到[2.25, 3]，符合边界

tensor([1., 2., 3., 0.])

import  torch
from torch import nn
a=torch.histc(torch.tensor([0.75,1.5]), bins=4, min=0, max=3)
print(a)

tensor([0., 1., 1., 0.])

0.75落到[0.75, 1.5)，1.5同理，可以验证结果是正确的。

延申用法

加入我们有0~4 5个数，比如a=[0,1,3,4,4,2,3,1,0,2,3,1],我如何统计各个数出现了多少次？

可以这样写

import  torch
from torch import nn
a=torch.tensor([0.,1,3,4,4,2,3,1,0,2,3,1])
k=5 #一共有5种数
area_intersection = torch.histc(a, bins=k, min=0, max=k-1)
print(area_intersection)

tensor([2., 3., 2., 3., 2.])

可以看到结果是对的。

证明：

当数字为0~k-1 种类为k个整数，也就是分成k段，每段长度为（1-1/k），比如[0,1-1/k）,

[1-1/k,2-2/k)..

对任意一个整数数n，有如下的结论（在下图最底部，上面为推导）。