pytorch求范数&归一化

本文介绍了如何使用PyTorch计算张量的L1和L2范数,并展示了如何在特定维度上进行计算。此外,还详细说明了如何利用PyTorch的功能库进行张量的归一化处理,包括实例归一化,确保每个通道的数据均值接近0,方差接近1。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

求L1 L2范数

a = torch.ones((2,3))  #建立tensor
a2 = torch.norm(a)      #默认求2范数
a1 = torch.norm(a,p=1)  #指定求1范数
a3 = torch.norm(a, dim=1)  # 指定维度

在这里插入图片描述

归一化

pytorch functional自带的

F.normalize(a, p=2, dim=1)

instance normal

大概是对每一个channel归一化到均值0,方差略大于1
在这里插入图片描述

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值