torch.norm是对输入的Tensor求范数
1.版本1--------------求张量范数
torch.norm(input, p=2) → float参数：
- input (Tensor) – 输入张量
- p (float,optional) – 范数计算中的幂指数值
这是pytorch中的默认版本。输入为一个Tensor，输出是一个数。没啥多说的，直接上例子：
import torch
import torch.tensor as tensor
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
print(a)
print(a2)
print(a1)
2.版本2---------------------求指定维度上的范数
torch.norm(input, p, dim, out=None,keepdim=False) → Tensor返回输入张量给定维dim 上每行的p 范数。
参数：
- input (Tensor) – 输入张量
- p (float) – 范数计算中的幂指数值
- dim (int) – 缩减的维度
- out (Tensor, optional) – 结果张量
- keepdim（bool）– 保持输出的维度 （此参数官方文档中未给出，但是很常用）
其中p,input,output与版本1相同，不做赘述。我们重点看dim和keepdim两个参数。
先看dim
import torch
import torch.tensor as tensor
a = tensor([[1, 2, 3, 4],
[1, 2, 3, 4]]).float() #norm仅支持floatTensor,a是一个2*4的Tensor
a0 = torch.norm(a,p=2,dim=0) #按0维度求2范数
a1 = torch.norm(a,p=2,dim=1) #按1维度求2范数
print(a0)
print(a1)
扫描二维码关注公众号，回复：
4619073 查看本文章
可以看输出，dim=0是对0维度上的一个向量求范数，返回结果数量等于其列的个数，也就是说有多少个0维度的向量，将得到多少个范数。dim=1同理。
再看keepdim
其含义是保持输出的维度，挺抽象的，我们还是通过具体例子来看吧。
a = torch.rand((2,3,4))
at = torch.norm(a,p=2,dim=1,keepdim=True) #保持维度
af = torch.norm(a,p=2,dim=1,keepdim=False) #不保持维度
print(a.shape)
print(at.shape)
print(af.shape)
我们重点来看一下，输入tensor，keepdim=True和keepdim=False的形状。
可以发现，当keepdim=False时，输出比输入少一个维度（就是指定的dim求范数的维度）。而keepdim=True时，输出与输入维度相同，仅仅是输出在求范数的维度上元素个数变为1。这也是为什么有时我们把参数中的dim称为缩减的维度，因为norm运算之后，此维度或者消失或者元素个数变为1.