Python PyTorch norm用法及代码示例

本文简要介绍python语言中 torch.norm 的用法。

用法:

torch.norm(input, p='fro', dim=None, keepdim=False, out=None, dtype=None)

参数：

• input(Tensor) -输入张量。它的数据类型必须是浮点数或复数类型。对于复杂输入，使用每个元素的绝对值计算范数。如果输入是复数并且既没有指定 dtype 也没有指定 out，则结果的数据类型将是相应的浮点类型(例如，如果 input 是 complexfloat，则为 float)。

• p(int,float,inf,-inf,'fro','nuc',可选的) -

  规范的顺序。默认值：'fro' 可以计算以下范数：

  ord	矩阵范数	向量范数
  “来回”	弗罗贝尼乌斯范数	-
  ‘nuc’	核规范	-
  Number	-	总和(abs(x)**ord)**(1./ord)

  向量范数可以跨任意维数计算。 input对应的维度被展平为一维，在展平的维度上计算范数。

  Frobenius norm 在所有情况下都产生与p=2 相同的结果，除非dim 是三个或更多暗淡的列表，在这种情况下，Frobenius norm 会引发错误。

  核范数只能在两个维度上精确计算。

• dim(int,python的元组：ints,python:ints 列表,可选的) -指定 input 的哪个或多个维度来计算范数。如果 dim 是 None ，则将在 input 的所有维度上计算范数。如果p指示的范数类型不支持指定的维数，则会出现错误。

• keepdim(bool,可选的) -输出张量是否保留dim。如果 dim = None 且 out = None 则忽略。默认值：False

• out(Tensor,可选的) -输出张量。如果 dim = None 和 out = None 则忽略。

• dtype(torch.dtype， 可选的) -返回张量的所需数据类型。如果指定，则在执行操作时输入张量将转换为dtype。默认值：无。

返回给定张量的矩阵范数或向量范数。

警告

torch.norm 已弃用，可能会在未来的 PyTorch 版本中删除。它的文档和行为可能不正确，并且不再积极维护。

在计算向量范数时使用 torch.linalg.norm() 或 torch.linalg.vector_norm() ，在计算矩阵范数时使用 torch.linalg.matrix_norm() 。但是请注意，这些函数的签名与 torch.norm 的签名略有不同。

注意

尽管p='fro' 支持任意数量的维度，但 Frobenius 范数的真正数学定义仅适用于恰好具有二维的张量。 torch.linalg.norm() 和 ord='fro' 与数学定义一致，因为它只能应用于两个维度。

例子：

>>> import torch
>>> a = torch.arange(9, dtype= torch.float) - 4
>>> b = a.reshape((3, 3))
>>> torch.norm(a)
tensor(7.7460)
>>> torch.norm(b)
tensor(7.7460)
>>> torch.norm(a, float('inf'))
tensor(4.)
>>> torch.norm(b, float('inf'))
tensor(4.)
>>> c = torch.tensor([[ 1, 2, 3],[-1, 1, 4]] , dtype= torch.float)
>>> torch.norm(c, dim=0)
tensor([1.4142, 2.2361, 5.0000])
>>> torch.norm(c, dim=1)
tensor([3.7417, 4.2426])
>>> torch.norm(c, p=1, dim=1)
tensor([6., 6.])
>>> d = torch.arange(8, dtype= torch.float).reshape(2,2,2)
>>> torch.norm(d, dim=(1,2))
tensor([ 3.7417, 11.2250])
>>> torch.norm(d[0, :, :]), torch.norm(d[1, :, :])
(tensor(3.7417), tensor(11.2250))