这篇文章主要介绍“Python中的torch.norm()怎么使用”,在日常操作中,相信很多人在Python中的torch.norm()怎么使用问题上存在疑惑,小编查阅了各式资料,整理出简单好用的操作方法,希望对大家解答”Python中的torch.norm()怎么使用”的疑惑有所帮助!接下来,请跟着小编一起来学习吧!
torch.norm()是对输入的tensor求对应的范数。tensor的范数有以下三种:
即,矩阵各项元素的绝对值平方的总和。
也即,求矩阵奇异值的和。该范数常被用于约束矩阵的低秩,对于稀疏性质的数据而言,其矩阵是低秩且会包含大量冗余信息,这些信息可被用于恢复数据和提取特征。
def norm(input, p="fro", dim=None, keepdim=False, out=None, dtype=None):
参数解释:
input:输入tensor类型的数据
p:指定的范数
默认为p=‘fro’,计算矩阵的Frobenius norm (Frobenius 范数),就是矩阵各项元素的绝对值平方的总和。
p='nuc’时,是求核范数,核范数是矩阵奇异值的和。(不常用)
p为int的形式,是求p-范数。(常用)
dim:指定在哪个维度进行,如果不指定,则是在所有维度进行计算
keepdim:True or False,如果True,则保留dim指定的维度,False则不保留
out:输出的 tensor
dtype:指定输出的tensor的数据类型
import torch a = torch.ones(5, 2, 2) a_norm = a.norm(1, 1) print(a) print(a_norm)
输出:
说明:
指定p=1,dim=1。也就是在a的第2个维度(dim=1)进行1(p=1)范数计算。
可以发现:a_norm的shape为(5,2),keepdim默认设置的是False,所以第2个维度对应的2消失了,如果keepdim=True,将会保留第3个维度,但是会变成(5,2,1)。
每一个元素都是为2,也就是1范数的结果。
到此,关于“Python中的torch.norm()怎么使用”的学习就结束了,希望能够解决大家的疑惑。理论与实践的搭配能更好的帮助大家学习,快去试试吧!若想继续学习更多相关知识,请继续关注亿速云网站,小编会继续努力为大家带来更多实用的文章!
免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:is@yisu.com进行举报,并提供相关证据,一经查实,将立刻删除涉嫌侵权内容。