Python中torch.norm()用法解析

1. 介绍

torch.nORM()是对输入的tensor求对应的范数。tensor的范数有以下三种：

1.1 p-范数

1.2 Frobenius 范数

即，矩阵各项元素的绝对值平方的总和。

1.3 核范数

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。

2. API

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

3. 示例

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。

到此这篇关于python中torch.norm()用法解析的文章就介绍到这了,更多相关Python torch.norm()内容请搜索以前的文章或继续浏览下面的相关文章希望大家以后多多支持！