F.normalize学习计算

1.函数介绍

import torch.nn.functional as F
F.normalize(input: Tensor, p: float = 2.0, dim: int = 1) -> Tensor

input: 是一个任意维度的Tensor类型的数据
p:默认为2,表示2范数;同理,p=1表示1范数
dim:(后面我会总结,先这样解释,方便大家理解,看完例子再看我总结的,会很清楚)
	默认 dim=1,在输入数据input的shape是二维的且p=2情况下,表示对行进行操作,即所有元素除以每一行元素的根号下平方和;
    dim=0 时,在输入数据input的shape是二维的且p=2情况下,表示对列进行操作,即所有元素除以每一列元素的根号下平方和;
    dim=2 时,我们通过例子分析...

normalize的参数不止这三个,其他的可以参考官方文档。

输入一维的Tensor

c = torch.Tensor([1, 2, 3])
print(F.normalize(c, dim=0))

'''
输出:
tensor([0.2673, 0.5345, 0.8018])
torch.Size([3])
解释:
我们说过,默认dim=1,是按行操作,但是一维的Tensor是列向量,所以必须指定dim=0
默认p=2,所以这个一维的Tensor(列向量)每个元素都除以sqrt(1**2 + 2**2 + 3**2)
'''

输入二维的Tensor

b = torch.Tensor([[1, 2, 3], [4, 5, 6]])
print(F.normalize(b, dim=0))
print(F.normalize(b, dim=1))
print(b.shape)

'''
输出:
tensor([[0.2425, 0.3714, 0.4472],
        [0.9701, 0.9285, 0.8944]])
tensor([[0.2673, 0.5345, 0.8018],
        [0.4558, 0.5698, 0.6838]])
torch.Size([2, 3])
'''

解释:
dim=0,按列操作,每个元素除以一列元素的根号下平方和,以第一列为例,即sqrt(12 + 42)
dim=1,按行操作,每个元素除以一行元素的根号下平方和,以第一行为例,即sqrt(12 + 22 + 3**2)

输入三维Tensor

a = torch.Tensor([[[1, 2, 3], [4, 5, 6]], [[10, 20, 30], [40, 50, 60]]])
# 默认p=2,dim=1,所有元素除以sqrt(a[0][0][0]**2 + a[0][1][0]**2),即sqrt(1**2 + 4**2)
print(F.normalize(a))  
# dim=0,所有元素除以sqrt(a[0][0][0]**2 + a[1][0][0]**2),即sqrt(1**2 + 10**2)
print(F.normalize(a, dim=0))  
# dim=2,所有元素除以sqrt(a[0][0][0]**2 + a[0][0][1]**2 + a[0][0][2]**2),即sqrt(1**2 + 2**2 + 3**2)
print(F.normalize(a, dim=2))

'''
输出:
tensor([[[0.2425, 0.3714, 0.4472],
         [0.9701, 0.9285, 0.8944]],

        [[0.2425, 0.3714, 0.4472],
         [0.9701, 0.9285, 0.8944]]])
tensor([[[0.0995, 0.0995, 0.0995],
         [0.0995, 0.0995, 0.0995]],

        [[0.9950, 0.9950, 0.9950],
         [0.9950, 0.9950, 0.9950]]])
tensor([[[0.2673, 0.5345, 0.8018],
         [0.4558, 0.5698, 0.6838]],

        [[0.2673, 0.5345, 0.8018],
         [0.4558, 0.5698, 0.6838]]])
解释:
这个不好解释,烦请大家看我的总结!
'''

你可能感兴趣的:(PyTorch,学习,pytorch,深度学习)