代碼：x.norm(p=2,dim=1,keepdim=True)

功能：求指定維度上的范數。

函數原型：【返回輸入張量給定維dim?上每行的p范數】

? ? ? ? ? ? ? ? ?torch.norm(input, p, dim, out=None,keepdim=False) → Tensor

? ? ? ? ?注：范數求法：【對N個數據求p范數】

? ? ? ? ? ? ? ? ??

函數參數：

input (Tensor) – 輸入張量

p (float) – 范數計算中的冪指數值

dim (int) – 縮減的維度，dim=0是對0維度上的一個向量求范數，返回結果數量等于其列的個數，也就是說有多少個0維度的向? ? ? ? ? ? ? ? ? ? ? ? ? 量，?將得到多少個范數。dim=1同理。

out (Tensor, optional) – 結果張量

keepdim（bool）– 保持輸出的維度 。當keepdim=False時，輸出比輸入少一個維度（就是指定的dim求范數的維度）。而? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? keepdim=True時，輸出與輸入維度相同，僅僅是輸出在求范數的維度上元素個數變為1。這也是為什么有時? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 我們把參數中的dim稱為縮減的維度，因為norm運算之后，此維度或者消失或者元素個數變為1。

?

例子說明：

已知一個3×4矩陣，如下：

tensor([[ 1.,? 2.,? 3.,? 4.],

??????? [ 2.,? 4.,? 6.,? 8.],

??????? [ 3.,? 6.,? 9., 12.]])

1）dim參數，分別對其行和列分別求2范數：

inputs1 = torch.norm(inputs, p=2, dim=1, keepdim=True)

print(inputs1)

inputs2 = torch.norm(inputs, p=2, dim=0, keepdim=True)

print(inputs2)

結果分別為：

tensor([[ 5.4772],

??????? [10.9545],

??????? [16.4317]])

tensor([[ 3.7417,? 7.4833, 11.2250, 14.9666]])

2）keepdim參數

inputs3 = inputs.norm(p=2, dim=1, keepdim=False)

print(inputs3)

inputs3為：

tensor([ 5.4772, 10.9545, 16.4317])

?

輸出inputs1和inputs3的shape：

print(inputs1.shape)

print(inputs3.shape)

torch.Size([3, 1])

torch.Size([3])

可以看到inputs3少了一維，其實就是dim=1（求范數）那一維(列)少了，因為從4列變成1列，就是3行中求每一行的2范數，就剩1列了，不保持這一維不會對數據產生影響。或者也可以這么理解，就是數據每個數據有沒有用[]擴起來。

即：

keepdim = True，用[]擴起來；

keepdim = False，不用[]括起來；

?

【不寫keepdim，則默認不保留dim的那個維度】：

inputs4 = torch.norm(inputs, p=2, dim=1)

print(inputs4)

tensor([ 5.4772, 10.9545, 16.4317])

?

【不寫dim，則計算Tensor中所有元素的2范數】：

inputs5 = torch.norm(inputs, p=2)

print(inputs5)

tensor(20.4939)

等價于這句話：

inputs6 = inputs.pow(2).sum().sqrt()

print(inputs6)

tensor(20.4939)

總之，norm操作后dim這一維變為1或者消失。

總結

以上是生活随笔為你收集整理的pytorch中x.norm(p=2,dim=1,keepdim=True)的理解的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。