Pytorch Tensor的统计属性

系统管理员 2021-12-24 00:29 284阅读 0赞

1. 范数

示例代码：

import torch
    
    a = torch.full([8], 1)
    b = a.reshape([2, 4])
    c = a.reshape([2, 2, 2])
    
    # 求L1范数(所有元素绝对值求和)
    print(a.norm(1), b.norm(1), c.norm(1))
    # 求L2范数(所有元素的平方和再开根号)
    print(a.norm(2), b.norm(2), c.norm(2))
    
    # 在b的1号维度上求L1范数
    print(b.norm(1, dim=1))
    # 在b的1号维度上求L2范数
    print(b.norm(2, dim=1))
    
    # 在c的0号维度上求L1范数
    print(c.norm(1, dim=0))
    # 在c的0号维度上求L2范数
    print(c.norm(2, dim=0))

输出结果：

tensor(8.) tensor(8.) tensor(8.)
    tensor(2.8284) tensor(2.8284) tensor(2.8284)
    tensor([4., 4.])
    tensor([2., 2.])
    tensor([[2., 2.],
            [2., 2.]])
    tensor([[1.4142, 1.4142],
            [1.4142, 1.4142]])

2. 一些常用操作

（1）均值、累加、最小、最大、累积

示例代码：

b = torch.arange(8).reshape(2, 4).float()
    print(b)
    # 均值,累加,最小,最大,累积
    print(b.mean(), b.sum(), b.min(), b.max(), b.prod())
    # 打平后的最小最大值索引
    print(b.argmax(), b.argmin())

输出结果：

tensor([[0., 1., 2., 3.],
            [4., 5., 6., 7.]])
    tensor(3.5000) tensor(28.) tensor(0.) tensor(7.) tensor(0.)
    tensor(7) tensor(0)

注意：上面的argmax、argmin操作默认会将Tensor打平后取最大值索引和最小值索引，如果不希望Tenosr打平，而是求给定维度上的索引，需要指定在哪一个维度上求最大值索引或最小值索引。

比如，有shape=\[4, 10\]的Tensor，表示4张图片在10分类的概率结果，我们需要知道每张图片的最可能的分类结果：

a = torch.rand(4, 10)
    print(a)
    # 在第二维度上求最大值索引
    print(a.argmax(dim=1))

输出结果：

tensor([[0.0711, 0.5641, 0.7945, 0.6964, 0.3609, 0.5817, 0.1705, 0.6913, 0.1263,
             0.8346],
            [0.0810, 0.0771, 0.1983, 0.0344, 0.1067, 0.9591, 0.8515, 0.3046, 0.0491,
             0.1291],
            [0.3527, 0.2676, 0.9859, 0.2656, 0.1985, 0.3759, 0.8221, 0.3571, 0.5340,
             0.7759],
            [0.0969, 0.3954, 0.5478, 0.3543, 0.8253, 0.9291, 0.4960, 0.4390, 0.3780,
             0.5858]])
    tensor([9, 5, 2, 5])

（2）直接使用`max`和`min`配合dim参数也可以获得最值索引，同时得到最值的具体值：

print(c.max(dim=1))

输出结果：

(tensor([0.9589, 1.7394, 1.3448, 2.2079]), tensor([2, 2, 5, 7]))

（3）使用`keepdim=True`可以保持应有的dim，即仅仅是将求最值的那个dim的size变成了1，返回的结果是符合原Tensor语义的。

print(c.argmax(dim=1, keepdim=True))
    print(c.max(dim=1, keepdim=True))

输出结果：

tensor([[2],
            [2],
            [5],
            [7]])
    (tensor([[0.9589],
            [1.7394],
            [1.3448],
            [2.2079]]), tensor([[2],
            [2],
            [5],
            [7]]))

（4）取前k大/前k小/第k小的概率值及其索引

使用`topk`代替`max`可以完成更灵活的需求，有时候不是仅仅要概率最大的那一个，而是概率最大的k个。如果不是求最大的k个，而是求最小的k个，只要使用参数`largest=False，`kthvalue还可以取第k小的概率值及其索引。

示例代码：

# 2个样本,分为10个类别的置信度
    d = torch.randn(2, 10)  
    # 最大概率的3个类别
    print(d.topk(3, dim=1))  
    # 最小概率的3个类别
    print(d.topk(3, dim=1, largest=False))  
    # 求第8小概率的类别(一共10个那就是第3大)
    print(d.kthvalue(8, dim=1))

输出结果：

(tensor([[2.0692, 1.6490, 0.9526],
            [1.5983, 1.5737, 1.5532]]), tensor([[6, 3, 5],
            [8, 1, 2]]))
    (tensor([[-1.0023, -0.6423,  0.0655],
            [-1.2959, -1.1504, -0.9859]]), tensor([[4, 0, 2],
            [0, 5, 3]]))
    (tensor([0.9526, 1.5532]), tensor([5, 2]))

（5）比较操作

示例代码：

import torch
    
    a = torch.randn(2, 3)
    b = torch.randn(2, 3)
    print(a)
    print(b)
    # 比较是否大于0，是对应位置返回1，否对应位置返回0，注意得到的是ByteTensor
    print(a > 0)  
    print(torch.gt(a, 0))
    # 是否不等于0，是对应位置返回1，否对应位置返回0
    print(a != 0)
    # 比较每个位置是否相等，是对应位置返回1，否对应位置返回0
    print(torch.eq(a, b))  
    # 比较每个位置是否相等，全部相等时才返回True
    print(torch.equal(a, b), torch.equal(a, a))

输出结果：

tensor([[-0.1425, -1.1142,  0.2224],
            [ 0.6142,  1.7455, -1.1776]])
    tensor([[-0.0774, -1.1012, -0.4862],
            [-0.3110, -0.2110,  0.0381]])
    tensor([[0, 0, 1],
            [1, 1, 0]], dtype=torch.uint8)
    tensor([[0, 0, 1],
            [1, 1, 0]], dtype=torch.uint8)
    tensor([[1, 1, 1],
            [1, 1, 1]], dtype=torch.uint8)
    tensor([[0, 0, 0],
            [0, 0, 0]], dtype=torch.uint8)
    False True