Pytorch中關于F.normalize計算理解

更新時間：2023年02月02日 10:17:42 作者：靜靜喜歡大白

這篇文章主要介紹了Pytorch中關于F.normalize計算理解，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教

關于F.normalize計算理解

動機

最近多次看到該方法出現(xiàn)，于是準備了解一下，搜了后發(fā)現(xiàn)原來是所謂的L2 norm計算

簡介

函數(shù)定義

torch.nn.functional.normalize(input,?p=2.0,?dim=1,?eps=1e-12,?out=None)

功能：將某一個維度除以那個維度對應的范數(shù)(默認是2范數(shù))。

使用：

F.normalize(data, p=2/1, dim=0/1/-1) 將某一個維度除以那個維度對應的范數(shù)(默認是2范數(shù))

data:輸入的數(shù)據(jù)（tensor）
p:L2/L1_norm運算
dim:0表示按列操作，則每列都是除以該列下平方和的開方；1表示按行操作，則每行都是除以該行下所有元素平方和的開方

舉例

最后dim=0，是1/根號下1平方+1平方,2/根號下2平方+2平方，3/根號下3平方+3平方,所以都是0.7071

Pytorch中normalize應用

torch.nn.functional.normalize(input, p=2, dim=1, eps=1e-12, out=None)

其中，p表示范數(shù)(這里是2范數(shù))，dim表示計算范數(shù)的維度(默認為1)，eps是為了防止分母為0；

pytorch中的normalize函數(shù)本質(zhì)上就是針對某個維度進行歸一化，公式為：

方便記憶，二維矩陣中， dim=1表示在行內(nèi)進行歸一化，dim=0表示在列內(nèi)進行歸一化。

在使用過程中，對dim的理解不夠到位，來三個代碼實驗一下。

示例1：dim=1

a = F.softmax(torch.randn((1, 3, 4)), 1)
b = F.normalize(a)

輸出：

// a
tensor([[[0.2621, 0.2830, 0.3758, 0.0260],
[0.3634, 0.3750, 0.5382, 0.1085],
[0.3744, 0.3420, 0.0860, 0.8655]]])
// b
b: tensor([[[0.4489, 0.4870, 0.5676, 0.0298],
[0.6224, 0.6454, 0.8130, 0.1243],
[0.6412, 0.5885, 0.1299, 0.9918]]])

代碼中針對維度1進行歸一化。維度1有3個通道，具體的計算細節(jié)為

示例2:dim=2

a = F.softmax(torch.randn((1, 3, 4)), 1)
c = F.normalize(b, dim=2)

// a
tensor([[[0.0861, 0.1087, 0.0518, 0.3551],
? ? ? ? ?[0.8067, 0.4128, 0.0592, 0.2884],
? ? ? ? ?[0.1072, 0.4785, 0.8890, 0.3565]]])
// c
tensor([[[0.2237, 0.2825, 0.1347, 0.9230],
? ? ? ? ?[0.8467, 0.4332, 0.0621, 0.3027],
? ? ? ? ?[0.0997, 0.4447, 0.8262, 0.3313]]])

這里作用的是維度2，可以認為維度2有4個通道，計算細節(jié)為：

示例3:dim=0

a = F.softmax(torch.randn((1, 3, 4)), 1)
c = F.normalize(b, dim=0)

// a
tensor([[[0.0861, 0.1087, 0.0518, 0.3551],
? ? ? ? ?[0.8067, 0.4128, 0.0592, 0.2884],
? ? ? ? ?[0.1072, 0.4785, 0.8890, 0.3565]]])
// c
tensor([[[1., 1., 1., 1.],
? ? ? ? ?[1., 1., 1., 1.],
? ? ? ? ?[1., 1., 1., 1.]]])

這里作用的是維度0；維度0上只有1個通道，因此歸一化之后全為1，即