深度学习与PyTorch笔记10
tensor的统计属性
常见的统计属性：norm(范数)，mean(均值)， sum(求和)，prod(累乘)，max(最大值)，min(最小值)，argmin(最小值位置)，argmax(最大值位置)，kthvalue(求第k个小的值的位置)，topk(求前k个大的值)
norm
norm-p
.norm(1)一范数，所有元素绝对值求和
.norm(2)二范数，所有元素绝对值的平方和，再开根
.norm(n,dim=d)指定维度上的范数，取哪个维度那个维度会被消掉。
import torch
a=torch.full([8],1)
b=a.view(2,4)
c=a.view(2,2,2)
print(b)
print(c)
print(a.norm(1),b.norm(1),c.norm(1))
print(a.norm(2),b.norm(2),c.norm(2))
print(b.norm(1,dim=1))
print(b.norm(2,dim=1))
print(c.norm(1,dim=1))
print(c.norm(2,dim=1))
mean,sum,min,max,prod
argmax，argmin
.argmax和.argmin返回打平后的索引
.argmax(dim=1)返回指定维度最大值索引
dim，keepdim
.max(dim=d)产生两个结果，最大值和最大值所在位置。
使用keepdim可以使结果与原数据保持维度一致。
import torch
a=torch.randn(4,10)
print(a)
print(a.max(dim=1))
print(a.argmax(dim=1))
print(a.max(dim=1,keepdim=True))
print(a.argmax(dim=1,keepdim=True))
top-k or k-th
top-k，取值最大的前k个值同时返回索引
.kthvalue(k,dim=d)取第d个维度上，第k个小的值（只能取小），同时返回索引。
compare
1、>，>=，<，<=，!=，==
返回的类型时bytetensor不再是floattensor
2、torch.eq(a,b)判断对应位置每个元素是否相等，等为1不等为0，torch.equal(a,b)判断a,b是否完全一样，返回true或false。
import torch
a=torch.randn(4,10)
print(a>0)
print(torch.gt(a,0))#大于0
print(a!=0)#不等于0
b=torch.ones(2,3)
c=torch.randn(2,3)
print(torch.eq(b,c))
print(torch.eq(b,b))
print(torch.equal(b,b))
