normalize¶
使用 \(L_p\) 范数沿维度 axis
对 x
进行归一化。计算公式如下:
\[y = \frac{x}{ \max\left( \lvert \lvert x \rvert \rvert_p, epsilon\right) }\]
\[\lvert \lvert x \rvert \rvert_p = \left(\sum_i {\lvert x_i\rvert^p} \right)^{1/p}\]
其中 \(\sum_i{\lvert x_i\rvert^p}\) 沿维度 axis
进行计算。
参数¶
x (Tensor) - 输入可以是 N-D Tensor。数据类型为:float32、float64。
p (float|int,可选) - 范数公式中的指数值。默认值:2
axis (int,可选)- 要进行归一化的轴。如果
x
是 1-D Tensor,轴固定为 0。如果 axis < 0,轴为 x.ndim + axis。-1 表示最后一维。epsilon (float,可选) - 添加到分母上的值以防止分母除 0。默认值为 1e-12。
name (str,可选) - 具体用法请参见 Name,一般无需设置,默认值为 None。
返回¶
Tensor
,输出的形状和数据类型和 x
相同。
代码示例¶
import paddle
import paddle.nn.functional as F
paddle.disable_static()
x = paddle.arange(6, dtype="float32").reshape([2,3])
y = F.normalize(x)
print(y)
# Tensor(shape=[2, 3], dtype=float32, place=Place(gpu:0), stop_gradient=True,
# [[0. , 0.44721359, 0.89442718],
# [0.42426404, 0.56568539, 0.70710671]])
y = F.normalize(x, p=1.5)
print(y)
# Tensor(shape=[2, 3], dtype=float32, place=Place(gpu:0), stop_gradient=True,
# [[0. , 0.40862012, 0.81724024],
# [0.35684016, 0.47578689, 0.59473360]])
y = F.normalize(x, axis=0)
print(y)
# Tensor(shape=[2, 3], dtype=float32, place=Place(gpu:0), stop_gradient=True,
# [[0. , 0.24253564, 0.37139067],
# [1. , 0.97014254, 0.92847669]])