pytorch求范数函数——
<(input, p='fro', dim=None, keepdim=False, out=None, dtype=None)
返回所给tensor的矩阵范数或向量范数
参数：
input：输⼊tensor
p (int, float, inf, -inf, 'fro', 'nuc', optional)：范数计算中的幂指数值。默认为'fro'
dim (int，2-tuple，2-list， optional): 指定计算的维度。如果是⼀个整数值，向量范数将被计算；如果是⼀个⼤⼩为2的元组，矩阵范数将被计算；如果为None，当输⼊tensor只有两维时矩阵计算矩阵范数；当输⼊只有⼀维时则计算向量范数。如果输⼊tensor超过2维，向量范数将被应⽤在最后⼀维
keepdim（bool，optional）：指明输出tensor的维度dim是否保留。如果dim=None或out=None，则忽略该参数。默认值为False，不保留
out（Tensor, optional）:tensor的输出。如果dim=None或out=None，则忽略该参数。
dtype（torch.dtype，optional）：指定返回tensor的期望数据类型。如果指定了该参数，在执⾏该操作时输⼊tensor将被转换
成 :attr:’dtype’
sort of torch翻译可见2范数求的就是距离
举例说明：
>>> import torch
>>> a = torch.arange(9, dtype=torch.float) - 4
>>> a
tensor([-4., -3., -2., -1.,  0.,  1.,  2.,  3.,  4.])
>>> b = a.reshape(3,3)
>>> b
tensor([[-4., -3., -2.],
[-1.,  0.,  1.],
[ 2.,  3.,  4.]])
>>> (a)
tensor(7.7460)
>>> (b)
tensor(7.7460)
>>> (a, float('inf'))
tensor(4.)
>>> (b, float('inf'))
tensor(4.)
1）如果不指明p，则是计算Frobenius范数：
所以上⾯的例⼦中a,b的结果都相同7.7460 = √（16*2 + 9*2 +4*2 + 1*2）
2）p = 'inf'，则是求出矩阵或向量中各项元素绝对值中的最⼤值，所以为4
>>> c = sor([[1,2,3],[-1,1,4]], dtype=torch.float)
>>> c
tensor([[ 1.,  2.,  3.],
[-1.,  1.,  4.]])
>>> (c, dim=0)
tensor([1.4142, 2.2361, 5.0000])
>>> (c, dim=0).size()
torch.Size([3])
>>> (c, dim=1)
tensor([3.7417, 4.2426])
>>> (c, p=1, dim=1)
tensor([6., 6.])
1）指定dim = 0，因为c的size() = (2,3)，所以会去掉其dim=0，得到size()=(3)的结果，所以是纵向求值，计算Frobenius范数2）p=1, dim=1：即是表⽰去掉维度1，使⽤1-范数，得到size()=(2)的结果。所以横向计算各个元素绝对值的和，为（[6,6]）
下⾯是多维的情况，其实结果类似：
>>> d = torch.arange(8, dtype=torch.float).reshape(2,2,2)
>>> d
tensor([[[0., 1.],
[2., 3.]],
[[4., 5.],
[6., 7.]]])
>>> (d, dim=(1,2))
tensor([ 3.7417, 11.2250])
>>> d.size()
torch.Size([2, 2, 2])
>>> (d, dim=0)
tensor([[4.0000, 5.0990],
[6.3246, 7.6158]])
>>> d[0,:,:]
tensor([[0., 1.],
[2., 3.]])
>>> d[0,:,:].size()
torch.Size([2, 2])
>>> (d[0,:,:])
tensor(3.7417)
>>> (d[1,:,:])
tensor(11.2250)

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。