Pytorch Tensor的统计属性实例讲解

1.范数示例代码：importtorcha=torch.full([8],1)b=a.reshape([2,4])c=a.reshape([2,2,2])#求L1范数(所有元素绝

1. 范数

示例代码：

import torch
 
a = torch.full([8], 1)
b = a.reshape([2, 4])
c = a.reshape([2, 2, 2])
 
# 求L1范数(所有元素绝对值求和)
print(a.norm(1), b.norm(1), c.norm(1))
# 求L2范数(所有元素的平方和再开根号)
print(a.norm(2), b.norm(2), c.norm(2))
 
# 在b的1号维度上求L1范数
print(b.norm(1, dim=1))
# 在b的1号维度上求L2范数
print(b.norm(2, dim=1))
 
# 在c的0号维度上求L1范数
print(c.norm(1, dim=0))
# 在c的0号维度上求L2范数
print(c.norm(2, dim=0))

输出结果：

tensor(8.) tensor(8.) tensor(8.)
tensor(2.8284) tensor(2.8284) tensor(2.8284)
tensor([4., 4.])
tensor([2., 2.])
tensor([[2., 2.],
 [2., 2.]])
tensor([[1.4142, 1.4142],
 [1.4142, 1.4142]])

2. 一些常用操作

（1）均值、累加、最小、最大、累积

示例代码：

b = torch.arange(8).reshape(2, 4).float()
print(b)
# 均值,累加,最小,最大,累积
print(b.mean(), b.sum(), b.min(), b.max(), b.prod())
# 打平后的最小最大值索引
print(b.argmax(), b.argmin())

输出结果：

tensor([[0., 1., 2., 3.],
 [4., 5., 6., 7.]])
tensor(3.5000) tensor(28.) tensor(0.) tensor(7.) tensor(0.)
tensor(7) tensor(0)

注意：上面的argmax、argmin操作默认会将Tensor打平后取最大值索引和最小值索引，如果不希望Tenosr打平，而是求给定维度上的索引，需要指定在哪一个维度上求最大值索引或最小值索引。

比如，有shape=[4, 10]的Tensor，表示4张图片在10分类的概率结果，我们需要知道每张图片的最可能的分类结果：

a = torch.rand(4, 10)
print(a)
# 在第二维度上求最大值索引
print(a.argmax(dim=1))

输出结果：

tensor([[0.0711, 0.5641, 0.7945, 0.6964, 0.3609, 0.5817, 0.1705, 0.6913, 0.1263,
 0.8346],
 [0.0810, 0.0771, 0.1983, 0.0344, 0.1067, 0.9591, 0.8515, 0.3046, 0.0491,
 0.1291],
 [0.3527, 0.2676, 0.9859, 0.2656, 0.1985, 0.3759, 0.8221, 0.3571, 0.5340,
 0.7759],
 [0.0969, 0.3954, 0.5478, 0.3543, 0.8253, 0.9291, 0.4960, 0.4390, 0.3780,
 0.5858]])
tensor([9, 5, 2, 5])

（2）直接使用max和min配合dim参数也可以获得最值索引，同时得到最值的具体值：

print(c.max(dim=1))

输出结果：

(tensor([0.9589, 1.7394, 1.3448, 2.2079]), tensor([2, 2, 5, 7]))

（3）使用keepdim=True可以保持应有的dim，即仅仅是将求最值的那个dim的size变成了1，返回的结果是符合原Tensor语义的。

print(c.argmax(dim=1, keepdim=True))
print(c.max(dim=1, keepdim=True))

输出结果：

tensor([[2],
 [2],
 [5],
 [7]])
(tensor([[0.9589],
 [1.7394],
 [1.3448],
 [2.2079]]), tensor([[2],
 [2],
 [5],
 [7]]))

（4）取前k大/前k小/第k小的概率值及其索引

使用topk代替max可以完成更灵活的需求，有时候不是仅仅要概率最大的那一个，而是概率最大的k个。如果不是求最大的k个，而是求最小的k个，只要使用参数largest=False，kthvalue还可以取第k小的概率值及其索引。

示例代码：

# 2个样本,分为10个类别的置信度
d = torch.randn(2, 10) 
# 最大概率的3个类别
print(d.topk(3, dim=1)) 
# 最小概率的3个类别
print(d.topk(3, dim=1, largest=False)) 
# 求第8小概率的类别(一共10个那就是第3大)
print(d.kthvalue(8, dim=1)) 

输出结果：

(tensor([[2.0692, 1.6490, 0.9526],
 [1.5983, 1.5737, 1.5532]]), tensor([[6, 3, 5],
 [8, 1, 2]]))
(tensor([[-1.0023, -0.6423, 0.0655],
 [-1.2959, -1.1504, -0.9859]]), tensor([[4, 0, 2],
 [0, 5, 3]]))
(tensor([0.9526, 1.5532]), tensor([5, 2]))

（5）比较操作

示例代码：

import torch
 
a = torch.randn(2, 3)
b = torch.randn(2, 3)
print(a)
print(b)
# 比较是否大于0，是对应位置返回1，否对应位置返回0，注意得到的是ByteTensor
print(a > 0) 
print(torch.gt(a, 0))
# 是否不等于0，是对应位置返回1，否对应位置返回0
print(a != 0)
# 比较每个位置是否相等，是对应位置返回1，否对应位置返回0
print(torch.eq(a, b)) 
# 比较每个位置是否相等，全部相等时才返回True
print(torch.equal(a, b), torch.equal(a, a)) 

输出结果：

tensor([[-0.1425, -1.1142, 0.2224],
 [ 0.6142, 1.7455, -1.1776]])
tensor([[-0.0774, -1.1012, -0.4862],
 [-0.3110, -0.2110, 0.0381]])
tensor([[0, 0, 1],
 [1, 1, 0]], dtype=torch.uint8)
tensor([[0, 0, 1],
 [1, 1, 0]], dtype=torch.uint8)
tensor([[1, 1, 1],
 [1, 1, 1]], dtype=torch.uint8)
tensor([[0, 0, 0],
 [0, 0, 0]], dtype=torch.uint8)
False True

以上这篇Pytorch Tensor的统计属性实例讲解就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持脚本之家。

Pytorch Tensor 统计属性