tensor的统计属性
tensor的统计属性
morm范数
查看范数
范数1：所有元素的绝对值的求和
范数2：所有元素的绝对值的平方和的开方
例子1：
a = torch.full([8],1)
b = a.view(2,4)
c = a.view(2,2,2)
a.norm(1),b.norm(1),c.norm(1)
#都是tensor(8)
a.norm(2),b.norm(2),c.norm(2)
#都是tensor(2.8284) 根号8
例子2：在指定的维数上面进行norm的查看
a = torch.full([8],1)
b = a.view(2,4)
c = a.view(2,2,2)
b.norm(1,dim=1)
#tensor([4,4]) 一共两行 按行取
常见统计属性
max（）：矩阵中的最大值以及相应的index
min（）：矩阵中的最小值以及相应的index
mean（）：平均值
prod（）：累乘
sum（）：求和
argmax（）：返回最大值的index
argmin（）：返回最小值的index
argmax与argmin不带参数的话，会将矩阵先打平之后再寻找最值的index，这样找到的index一定只是一维的，而不是打平之前的index
argmax（dim=1）来指定进行比较的方向
a = torch.randn(4,10)
a.argmax(dim=1)
#[3,8,6,4]
dim、keepdim参数
dim参数：指定操作的相应位置在哪维
keepdim：在比较后保持维度，不删除这一维
例子：
a = torch.rand(4,10)
print(a.max(dim=1))
torch.return_types.max(
values=tensor([0.9857, 0.8758, 0.5322, 0.9021]), #这里的value的shape：【4】dim=1
indices=tensor([5, 5, 4, 2]))
print(a.max(dim=1,keepdim=True))
torch.return_types.max(
values=tensor([[0.9857], #这里的value的shape是【4，1】 dim=2
[0.8758],
[0.5322],
[0.9021]]),
indices=tensor([[5],
[5],
[4],
[2]]))
topk kthvalue函数
topk函数与max其实是一样的，只不过topk返回的是前几大的数据
例子：
a = torch.rand(4,10)
print(a.topk(3,dim=1))#返回前三大的数据
torch.return_types.topk(
values=tensor([[0.8964, 0.8960, 0.8854],
[0.9808, 0.8285, 0.7648],
[0.9556, 0.7625, 0.7507],
[0.8583, 0.6822, 0.6390]]),
indices=tensor([[2, 8, 0],
[2, 9, 5],
[8, 6, 2],
[3, 5, 4]]))
而默认选择最小的方法：
a.topk(3,dim=1,largest=False)
kthvalue函数：返回第几小的元素
例子：
a = torch.rand(4,10)
print(a.kthvalue(8,dim=1))
torch.return_types.kthvalue(
values=tensor([0.9058, 0.6853, 0.4763, 0.8167]),
indices=tensor([1, 0, 7, 3]))
compare比较运算
对tensor中的所有数据进行比较，返回同样shape的ByteTensor
例子：
a:[4,10]
a>0
返回shape【4，10】的tensor
注意torch.eq(a,b)函数与torch.equal(a,b)的区别：
torch.eq(a,b)：返回各个元素的比较（与原来的shape一样）
torch.equal(a,b)：返回true或者false
