PyTorch 统计属性-Tensor基本操作

最小 min, 最大 max, 均值 mean，累加 sum，累乘 prod …

>>> a = torch.arange(0,8).view(2,4).float()
>>> a
tensor([[0., 1., 2., 3.],[4., 5., 6., 7.]])>>> a.min()  	## 最小值：tensor(0.)
>>> a.max()  	## 最大值：tensor(7.)>>> a.argmin()	## 最小值对应的 idx: tensor(0)
>>> a.argmax()	## 最大值对应的 idx: tensor(7)>>> a.argmin(dim=1)	## 每行 dim=1 最小值对应的 idx: tensor([0, 0])  每行都是最前面的数最小
>>> a.argmax(dim=1)	## 每行 dim=1 最大值对应的 idx: tensor([3, 3])  每行都是最后面的数最大>>> a.argmin(dim=1, keepdim=True)  ## 加 keepdim 可以保持原 a 维度
tensor([[0],[0]])
>>> a.argmax(dim=1, keepdim=True)  ## 加 keepdim 可以保持原 a 维度
tensor([[3],[3]])>>> a.topk(3, dim=1)  ## k 大的 value 和对应的 idx
torch.return_types.topk(
values=tensor([[3., 2., 1.],[7., 6., 5.]]),
indices=tensor([[3, 2, 1],[3, 2, 1]]))
>>> a.topk(3, dim=1, largest=False)   ## k 小的：largest=False
torch.return_types.topk(
values=tensor([[0., 1., 2.],[4., 5., 6.]]),
indices=tensor([[0, 1, 2],[0, 1, 2]]))>>> a.mean()  	## 平均值：tensor(3.5000)
>>> a.sum()		## 累加值：tensor(28.)
>>> a.prod()	## 累乘值：tensor(0.)

norm 范数，非 normalization 不是一个概念

>>> a = torch.full([1], 8)  # tensor([1, 1, 1, 1, 1, 1, 1, 1])     
>>> a.float().norm(1)  		#: tensor(8.)
>>> a.float().norm(2)  		#: tensor(2.8284)>>> b = a.view(2,4) 		# tensor([[1, 1, 1, 1], [1, 1, 1, 1]])
>>> b.float().norm(1)  		#: tensor(8.)	
>>> a.float().norm(2)  		#: tensor(2.8284)>>> b.float().norm(1, dim=0)  # 指定 dim：0
tensor([2., 2., 2., 2.])
>>> b.float().norm(1, dim=1)  # 指定 dim: 1
tensor([4., 4.])

• 用.norm() 时可能出现的 RuntimeError 解决方案：加 .float() -> a.float.norm()

  >>> a.norm()
  Traceback (most recent call last):File "<stdin>", line 1, in <module>File "D:\Tutu.Python\lib\site-packages\torch\tensor.py", line 389, in normreturn torch.norm(self, p, dim, keepdim, dtype=dtype)File "D:\Tutu.Python\lib\site-packages\torch\functional.py", line 1290, in normreturn _VF.frobenius_norm(input, dim=(), keepdim=keepdim)  # type: ignore
  RuntimeError: Can only calculate the mean of floating types. Got Long instead.