代码：x.norm(p=2,dim=1,keepdim=True)
功能：求指定维度上的范数。
函数原型：【返回输入张量给定维dim 上每行的p范数】
torch.norm(input, p, dim, out=None,keepdim=False) → Tensor
注：范数求法：【对N个数据求p范数】
函数参数：
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，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。
out (Tensor, optional) – 结果张量
keepdim（bool）– 保持输出的维度 。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。
例子说明：
已知一个3×4矩阵，如下：
tensor([[ 1., 2., 3., 4.],
[ 2., 4., 6., 8.],
[ 3., 6., 9., 12.]])
1）dim参数，分别对其行和列分别求2范数：
inputs1 = torch.norm(inputs, p=2, dim=1, keepdim=True)
print(inputs1)
inputs2 = torch.norm(inputs, p=2, dim=0, keepdim=True)
print(inputs2)
结果分别为：
tensor([[ 5.4772],
[10.9545],
[16.4317]])
tensor([[ 3.7417, 7.4833, 11.2250, 14.9666]])
2）keepdim参数
inputs3 = inputs.norm(p=2, dim=1, keepdim=False)
print(inputs3)
inputs3为：
tensor([ 5.4772, 10.9545, 16.4317])
输出inputs1和inputs3的shape：
print(inputs1.shape)
print(inputs3.shape)
torch.Size([3, 1])
torch.Size([3])
可以看到inputs3少了一维，其实就是dim=1（求范数）那一维(列)少了，因为从4列变成1列，就是3行中求每一行的2范数，就剩1列了，不保持这一维不会对数据产生影响。或者也可以这么理解，就是数据每个数据有没有用[]扩起来。
即：
keepdim = True，用[]扩起来；
keepdim = False，不用[]括起来；
【不写keepdim，则默认不保留dim的那个维度】：
inputs4 = torch.norm(inputs, p=2, dim=1)
print(inputs4)
tensor([ 5.4772, 10.9545, 16.4317])
【不写dim，则计算Tensor中所有元素的2范数】：
inputs5 = torch.norm(inputs, p=2)
print(inputs5)
tensor(20.4939)
等价于这句话：
inputs6 = inputs.pow(2).sum().sqrt()
print(inputs6)
tensor(20.4939)
总之，norm操作后dim这一维变为1或者消失。
