深度学习与PyTorch入门实战 - 13. Tensor统计

• 语言: 中文（简体）
• 格式: .pdf
• 来源: github.com/dragen1860

摘要

文档介绍了PyTorch中张量的统计属性，包括如何计算范数、均值、和、最大值、最小值、argmax、argmin、kthvalue和topk等。通过代码示例展示了这些方法的应用，涉及不同维度和参数的设置。文档还提到了矩阵范数和向量范数的区别，并通过具体例子说明了如何使用这些统计方法。

AI总结

《深度学习与PyTorch入门实战 - 13. Tensor统计》主要介绍了PyTorch中张量（Tensor）的统计功能及其使用方法。以下是文档的核心内容总结：

---

### 1. **基本统计方法**
PyTorch提供了多种统计功能，包括：
- **`mean`**：计算均值。
- **`sum`**：计算总和。
- **`min`**：计算最小值。
- **`max`**：计算最大值。
- **`prod`**：计算元素乘积。
- **`argmin`**：返回最小值的索引。
- **`argmax`**：返回最大值的索引。

**示例：**

a = torch.arange(8).view(2,4).float()
a.min(), a.max(), a.mean(), a.prod()  # 输出：(tensor(0.), tensor(7.), tensor(3.5000), tensor(0.))
a.sum()  # 输出：tensor(28.)

---

### 2. **范数（Norm）**
范数用于衡量张量的大小，常见的范数包括：
- **L1范数**：绝对值之和。
- **L2范数**：平方和的平方根。

**示例：**

a = torch.full([8], 1)
b = a.view(2,4)
c = a.view(2,2,2)

# 计算不同范数
a.norm(1), b.norm(1), c.norm(1)  # 输出：(tensor(8.), tensor(8.))
a.norm(2), b.norm(2), c.norm(2)  # 输出：(tensor(2.8284), tensor(2.8284))

---

### 3. **比较运算**
PyTorch提供了多种比较运算符：
- **`torch.gt(a, b)`**：判断a是否大于b。
- **`torch.eq(a, b)`**：判断a是否等于b。
- **`torch.equal(a, b)`**：判断两个张量是否完全相同。

**示例：**

a = torch.ones(2,3)
b = torch.randn(2,3)
torch.eq(a, b)  # 输出：tensor([[0, 0, 0], [0, 0, 0]], dtype=torch.uint8)
torch.eq(a, a)  # 输出：tensor([[1, 1, 1], [1, 1, 1]], dtype=torch.uint8)
torch.equal(a, a)  # 输出：True

---

### 4. **k-th值与Top-k值**
PyTorch提供了以下方法来获取特定的k-th值：
- **`kthvalue`**：返回指定k-th值及其索引。
- **`topk`**：返回前k大的值及其索引。

**示例：**

a = torch.randn(4,10)
a.topk(3, dim=1)  # 输出：(tensor([[0.8362, -0.1068, -0.1281], ...]), tensor([[8, 6, 5], ...]))
a.kthvalue(3, dim=1)  # 输出：(tensor([−0.3806, −0.4974, −0.1624, −0.8415]), tensor([5, 9, 3, 6]))

---

### 5. **总结**
PyTorch的统计功能涵盖了从基本的均值、求和到复杂的范数计算、Top-k值提取等操作，适用于深度学习中的特征处理、归一化等场景。通过这些方法，可以高效地对张量进行统计分析和操作。