目录

1.   Norm
2.   min max argmax argmin prod sum
3.  dim keepdim 
4.  topk & kthvalue
5.  eq&equal

---

一  Norm

    作用： 求范数

    1.1     1阶范数

                

                   

# -*- coding: utf-8 -*-
"""
Created on Thu Dec 22 21:48:02 2022

@author: cxf
"""
import torch

def statistics():
    a = torch.full([8],1.0) #向量vector
    
    b = a.view(2,4) #矩阵
    
    c = a.view(2,2,2) #张量
    
    
    print("\n vector ",a.norm(1), "\n maxtrix",b.norm(1), "\n tensor ",c.norm(1))

statistics()    
    

输出：

         绝对值求和

       

1.2  2阶范数

 print("\n vector ",a.norm(2), "\n maxtrix",b.norm(2), "\n tensor ",c.norm(2))

 

1.3 指定维度取范数

      计算该维度上的范数

     

  a = torch.full([8],1.0)
    
    b = a.view(2,4)  #矩阵
    c = a.view(2,2,2)
    
    
    print(b.norm(1,dim=1))
    
    print(c.norm(1,dim=0))

 

这里面要重点说明一下C，

C 是一个[2,2,2]的张量 dim=0

 可以看成

C=[A,B]

A=B=[[1,1],

          [1,]] 

计算其一阶范数

C=[A+B]

   =[[2,2]

       [2,2]]

---

二  其它常用统计操作

     

def statics():
    a = torch.arange(0, 8, 1).view(2,4).float()
    
    print("\n a: ",a)
    
    print("\n 最小值:%3.2f  最大值: %3.2f, 均值 %3.2f, 连乘 %3.2f 和:%3.2f"%(a.min(), a.max(),a.mean(),a.prod(),a.sum()))
    
    print("\n 最大值索引: %d  最小值索引: %d "%(a.argmax(), a.argmin()))
    
    
    
statics()
    

 输出

  

需要注意的是 argmax 可以指定dimension

在dimension=1 维度统计最大值索引：输出为

---

三  dim keepdim 

     假设4张图片,识别分成五类

     dim 

     max 后得到的shape 

     b[0] 为概率最大值,shape 为[4]

     b[1] 为最大概率对应的索引位置

     keepdim 操作：

     c[0] 为概率最大值，shape[4,1]

     c[1] 为概率最大值对应索引，shape[4,1]

def img():
    
    a = torch.rand(4,5)
    
    
    b = a.max(dim=1)
    
    c = a.max(dim=1,keepdim=True)
    
    print("\n a: ",a)
    
    print("\n b ",b[0],b[1])
    print("\n c ",c[0],c[1])

img()    
    
    

    

---

四 topk & kthvalue

    假设

import torch

def statistics():
    a = torch.rand(4,5)

    
    b = a.topk(2, dim=1, largest =True)
    
    c = a.kthvalue(2,dim=1)
    
    
    print("\n a ",a, "\n b",b, "\n c ",c)

4.1 topk

    每行 取最大的两个变量，当largest = False 取最小的

 4.2 kthvalue 

       排序后,取对应索引位置的元素

      

---

五  eq&equal

   

   a = torch.tensor([[1.0,2.0],
                      [1.0,2.0]])

    b = torch.full([2,2],1.0)
    
    c = torch.eq(a,b)
    
    
    d = torch.equal(a,b)
    print("\n eq: \t ",c)
    
    print("\n equal \t",d)

   eq 是每个元素比较,输出的是和原来shape 一致的张量

   equal 是所有元素比较，输出的是ByteTensor