x.norm(p=2,dim=1,keepdim=True)
代码:x.norm(p=2,dim=1,keepdim=True)
功能:求指定维度上的范数。
函数原型:【返回输入张量给定维dim 上每行的p范数】
torch.norm(input, p, dim, out=None,keepdim=False) → Tensor
注:范数求法:【对N个数据求p范数】
||x||p=p次根号下 (x1的p次幂 + x2的p次幂 + x3的p次幂 + …)
input (Tensor) – 输入张量
p (float) – 范数计算中的幂指数值
dim (int) – 缩减的维度,dim=0是对0维度上的一个向量求范数,返回结果数量等于其列的个数,也就是说有多少个0维度的向量, 将得到多少个范数。dim=1同理。
out (Tensor, optional) – 结果张量
keepdim(bool)– 保持输出的维度 。当keepdim=False时,输出比输入少一个维度(就是指定的dim求范数的维度)。
而keepdim=True时,输出与输入维度相同,仅仅是输出在求范数的维度上元素个数变为1。这也是为什么有时
我们把参数中的dim称为缩减的维度,因为norm运算之后,此维度或者消失或者元素个数变为1。
import torchinputs=torch.tensor([[ 1., 2., 3., 4.],[ 2., 4., 6., 8.],[ 3., 6., 9., 12.]])
print(inputs.shape)#torch.Size([3, 4])
inputs1 = torch.norm(inputs, p=2, dim=1, keepdim=True)
print(inputs1)
torch.Size([3, 4])==》torch.Size([3, 1])
tensor([[ 5.4772],
[10.9545],
[16.4317]])
求解过程:dim=1即就是在4个数的维度上进行求范数
5.4772 = 2√ ̄(12+22+32+42)
10.9545 = 2√ ̄(22+42+62+82)
16.4317=2√ ̄(32+62+92+122)
inputs2 = torch.norm(inputs, p=2, dim=0, keepdim=True)
print(inputs2)
torch.Size([3, 4])==》torch.Size([1, 4])
tensor([[ 3.7417, 7.4833, 11.2250, 14.9666]])
计算过程:dim=0,即就是在3行的维度上进行纵向求解,在哪个维度上,输出结构哪个维度将会变成1
3.7417 = 2√ ̄(12+22+3^2)
7.4833 = 2√ ̄(22+42+6^2)
11.2250 = 2√ ̄(32+62+9^2)
14.9666 = 2√ ̄(42+82+12^2)
x.norm(p=2,dim=1,keepdim=True)相关推荐
- pytorch中x.norm(p=2,dim=1,keepdim=True)的理解
代码:x.norm(p=2,dim=1,keepdim=True) 功能:求指定维度上的范数. 函数原型:[返回输入张量给定维dim 上每行的p范数] torch.norm(input, p, dim ...
- Pytorch函数keepdim=True
keepdim(bool)– 保持输出的维度 . 当keepdim=False时,输出比输入少一个维度(就是指定的dim求范数的维度).而keepdim=True时,输出与输入维度相同,仅仅是输出在求 ...
- pytorch torch.norm(input, p=2) → float、torch.norm(input, p, dim, out=None) → Tensor(求范数)
torch.norm 用法1: torch.norm(input, p=2) → float 返回输入张量input 的p 范数. 参数: input (Tensor) – 输入张量 p (float ...
- pytorch中的value, top = prob.topk(1, dim=1, largest=True, sorted=True)
函数: prob = F.softmax(logit, 1)#按行softmax,行和为1 value, top = prob.topk(1, dim=1, largest=True, sorted= ...
- 【Pytorch】data.norm(几种范数(norm)的详细介绍)
范数(norm) 几种范数的简单介绍&data.norm()使用 1. 范数(norm)的简单介绍 1.1 L-P范数 1.2 L0范数 1.3 L1范数 1.4 L2范数 1.5 ∞-范数 ...
- DeepSORT多目标跟踪算法
DeepSORT 多目标跟踪算法 整体思路 SORT 算法的思路是将目标检测算法得到的检测框与预测的跟踪框的 iou(交并比)输入到匈牙利算法中进行线性分配来关联帧间 Id.而 DeepSORT 算法 ...
- deepsort训练车辆特征参数
deepsort用来跟踪被检测对象.网上常见的yolov5+deepsort,是pytorch版.此版本由ZQPei Github提供,源自nwojke Github ,将其修改为pytorch,是p ...
- 使用轻量型模型对deepsort特征提取模块重训练
序言 最近用到了deepsort做目标跟踪,但是由于deepsort中有reid的特征提取网络部分,这部分网络在没有做任何压缩的情况下,用GPU跑实时是没问题的,但是如果要弄到一些边缘板子上,就要考虑 ...
- Utilizing Transformer Representations Efficiently
Contents Introduction Different Pooling Strategies Pooler Output Last Hidden State Output Hidden Sta ...
最新文章
- 使用CSDN-markdown编辑器
- Nature综述:进化病毒毒力的系统发育基因组学
- Apr.2010 Microsoft MVP连任
- data (phantonjs onclick)exploring cleaning
- python paramiko 问题总结
- 记一次内核模块查看 - 初步通过文件厂商判断有无可疑内核模块
- 【Maven实战】之生成项目站点
- Ruby on Rails 實戰聖經阅读(三)
- u-boot 2011.09 使用自己的board 以及config.h
- 对口高考计算机vf试题,计算机对口升学模拟答案.doc
- 前端学习(1761):前端调试值之如何对站点下的资源进行全部搜索
- 苹果11是高通基带吗_最强对抗!小米11对抗三星、苹果华为等最高旗舰|喜欢小米吗?...
- 36Kr鬼畜推送,没事别惹程序员
- adc采集出来一段波形 如何求周期与频率_DMA+ADC快速采集直流无刷电机电流
- UniRx - Unity响应式编程插件
- 项目管理工具project软件学习(八) - 关键路径查询、资源可用性
- iText操作PDF基础
- python2.7.11 for iOS 苹果上的python27环境
- 管理感悟:人才如何分级
- linux cups samba,centos7 安装cups+smb共享打印机
热门文章
- 吉林教育杂志吉林教育杂志社吉林教育编辑部2022年第28期目录
- redis设置可远程访问
- html5 2019新年祝福页面,2019新年创意祝福语 绝对让你的心意顺利送达
- [AHOI2014/JSOI2014]骑士游戏 深入理解spfa
- 十张漫画让你清楚究竟啥是云计算
- 华硕主板无盘启动bios设置_【华硕主板bios启动顺序】华硕主板bois启动项_华硕主板bios硬盘启动...
- B2B2C网上商城开发指南——基于SaaS和淘宝API开放平台
- 手机sar值_主流手机SAR对比,辐射最大竟然是它
- Unity 使用LineRenderer做画线游戏
- 使用IBM InfoSphere Guardium Encryption Expert保护您的敏感数据