norm

paddle.norm(x, p='fro', axis=None, keepdim=False, name=None):

该OP将计算给定Tensor的矩阵范数（Frobenius 范数）和向量范数（向量1范数、2范数、或者通常的p范数）.

参数：

  • x (Tensor) - 输入Tensor。维度为多维，数据类型为float32或float64。

  • p (float|string, 可选) - 范数(ord)的种类。目前支持的值为 fro、inf、-inf、0、1、2，和任何正实数p对应的p范数。默认值为 fro 。

  • axis (int|list|tuple, 可选) - 使用范数计算的轴。如果 axis 为None，则忽略input的维度，将其当做向量来计算。如果 axis 为int或者只有一个元素的list|tuple，norm API会计算输入Tensor的向量范数。如果axis为包含两个元素的list，API会计算输入Tensor的矩阵范数。 当 axis < 0 时，实际的计算维度为 rank(input) + axis。默认值为 None 。

  • keepdim (bool，可选) - 是否在输出的Tensor中保留和输入一样的维度，默认值为False。当 keepdim 为False时，输出的Tensor会比输入 input 的维度少一些。

  • name (str|None) - 该参数供开发人员打印调试信息时使用，具体用法请参见 Name 。默认值为None。

返回：

  • 在指定axis上进行范数计算的Tensor，与输入input数据类型相同。

代码示例：

  1. import paddle
  2. import numpy as np
  3. shape=[2, 3, 4]
  4. np_input = np.arange(24).astype('float32') - 12
  5. np_input = np_input.reshape(shape)
  6. x = paddle.to_tensor(np_input)
  7. #[[[-12. -11. -10.  -9.] [ -8.  -7.  -6.  -5.] [ -4.  -3.  -2.  -1.]]
  8. # [[  0.   1.   2.   3.] [  4.   5.   6.   7.] [  8.   9.  10.  11.]]]
  10. # compute frobenius norm along last two dimensions.
  11. out_fro = paddle.norm(x, p='fro', axis=[0,1])
  12. # out_fro.numpy() [17.435596 16.911535 16.7332   16.911535]
  14. # compute 2-order vector norm along last dimension.
  15. out_pnorm = paddle.norm(x, p=2, axis=-1)
  16. #out_pnorm.numpy(): [[21.118711  13.190906   5.477226]
  17. #                    [ 3.7416575 11.224972  19.131126]]
  19. # compute 2-order  norm along [0,1] dimension.
  20. out_pnorm = paddle.norm(x, p=2, axis=[0,1])
  21. #out_pnorm.numpy(): [17.435596 16.911535 16.7332   16.911535]
  23. # compute inf-order  norm
  24. out_pnorm = paddle.norm(x, p=np.inf)
  25. #out_pnorm.numpy()  = [12.]
  26. out_pnorm = paddle.norm(x, p=np.inf, axis=0)
  27. #out_pnorm.numpy(): [[12. 11. 10. 9.] [8. 7. 6. 7.] [8. 9. 10. 11.]]
  29. # compute -inf-order  norm
  30. out_pnorm = paddle.norm(x, p=-np.inf)
  31. #out_pnorm.numpy(): [0.]
  32. out_pnorm = paddle.norm(x, p=-np.inf, axis=0)
  33. #out_pnorm.numpy(): [[0. 1. 2. 3.] [4. 5. 6. 5.] [4. 3. 2. 1.]]