L1範式

就是将向量中所有元素的絕對值相加求和

以上是對a、b、c三個向量求L1範式，都是8

L2範式

L2是所有元素平方和然後再開根号

還可以在向量的指定維度求範式，需要知道的是，在向量的哪個維度取範式，那麼求出來的範式的維度就是原始向量消掉所取維度後的向量維度。

B的shape為（2，4）

對b在1維度上求範式，那麼也就是b的維度為消掉原始b在1維度上的4，那麼它的維度就是（2）

最大值man、最小值min、均值mean，累乘prod，求和sum，最大值索引argmax

求最小值索引argmin

如果argmax和argmin沒有參數，那麼它會求将一個向量拉伸開，也就是拉成dim=0之後求下标

如果要是想讓向量不伸展開，那麼我們可以再指定維度上求最大最小的索引

a. argmin(dim=0)這個表示再dim=0的維度上求最小值得索引

如圖所示，求dim=1維度上的最大值，因為a得維度為（4，5）所以求最大值之後dim為1了,keepdim=True的意思就是說要保持維度，如上所示求最大值之後的dim仍為2

取最大或者最小的幾個值

a.topk（2，dim=1）表示求a在dim=1維度上最大的兩個值

b. topk（1，dim=1）表示求a在dim=1維度上最大的一個值

如果要是想要求最小的幾個值可以

a.topk(2,dim=1,largest=False)

直接求第幾個（從1開始）最小的值

如果不keepdim，那麼輸出的維度為[4]

比較>,>=,<,<=,!=,==會對向量的每個元素進行判斷比較

Torch.equal(a,b)等價于torch.equal(a,b)

會對a，b向量的每一個維度進行比較，相等則返回1，不等返回0

x = torch.randn(4, 3,1)

print(x)

max_value, max_idx = torch.max(x, dim=2)#我們約定0為第一維度，1為第二維度，2為第三維度

#print(max_value)

sum_x = torch.sum(x, dim=2)

print(sum_x)

歸并操作此類操作會使輸出形狀小于輸入形狀，并可以沿着某一維度進行指定操作

以上大多數函數都有一個參數dim，用來指定這些操作是在哪個維度上執行的。關于dim(對應于Numpy中的axis)的解釋衆說紛纭，這裡提供一個簡單的記憶方式：

假設輸入的形狀是(m, n, k)

· 如果指定dim=0，輸出的形狀就是(1, n, k)或者(n, k)

· 如果指定dim=1，輸出的形狀就是(m, 1, k)或者(m, k)

· 如果指定dim=2，輸出的形狀就是(m, n, 1)或者(m, n)

size中是否有"1"，取決于參數keepdim，keepdim=True會保留維度1。注意，以上隻是經驗總結，并非所有函數都符合這種形狀變化方式，如cumsum。

· t.max(tensor)：返回tensor中最大的一個數

· t.max(tensor,dim)：指定維上最大的數，返回tensor和下标

· t.max(tensor1, tensor2): 比較兩個tensor相比較大的元素

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!