torch.quantile

torch.quantile(input, q, dim=None, keepdim=False, *, interpolation='linear', out=None) → Tensor

计算 input 张量沿维度 dim 的每一行的第 q 个分位数。

为了计算分位数，我们将 q 映射到 [0, 1] 到索引范围 [0, n]，以找到分位数在排序后的输入中的位置。如果分位数位于两个数据点 a < b 之间，其索引在排序后的顺序中分别为 i 和 j，则根据给定的 interpolation 方法计算结果，如下所示

• linear：a + (b - a) * fraction，其中 fraction 是计算出的分位数索引的小数部分。

• lower：a。

• higher：b。

• nearest：a 或 b，以其索引更接近计算出的分位数索引者为准（对于 0.5 小数，向下取整）。

• midpoint：(a + b) / 2。

如果 q 是一个 1D 张量，则输出的第一个维度表示分位数，其大小等于 q 的大小，其余维度是减少后的剩余部分。

注意

默认情况下，dim 为 None，导致在计算之前将 input 张量展平。

参数

• input (Tensor) – 输入张量。

• q (float 或 Tensor) – 范围在 [0, 1] 内的标量或 1D 张量值。

• dim (int) – 要减少的维度。

• keepdim (bool) – 输出张量是否保留 dim。

关键字参数

• interpolation (str) – 当所需分位数位于两个数据点之间时要使用的插值方法。可以是 linear、lower、higher、midpoint 和 nearest。默认值为 linear。

• out (Tensor, 可选) – 输出张量。

示例

>>> a = torch.randn(2, 3)
>>> a
tensor([[ 0.0795, -1.2117,  0.9765],
        [ 1.1707,  0.6706,  0.4884]])
>>> q = torch.tensor([0.25, 0.5, 0.75])
>>> torch.quantile(a, q, dim=1, keepdim=True)
tensor([[[-0.5661],
        [ 0.5795]],

        [[ 0.0795],
        [ 0.6706]],

        [[ 0.5280],
        [ 0.9206]]])
>>> torch.quantile(a, q, dim=1, keepdim=True).shape
torch.Size([3, 2, 1])
>>> a = torch.arange(4.)
>>> a
tensor([0., 1., 2., 3.])
>>> torch.quantile(a, 0.6, interpolation='linear')
tensor(1.8000)
>>> torch.quantile(a, 0.6, interpolation='lower')
tensor(1.)
>>> torch.quantile(a, 0.6, interpolation='higher')
tensor(2.)
>>> torch.quantile(a, 0.6, interpolation='midpoint')
tensor(1.5000)
>>> torch.quantile(a, 0.6, interpolation='nearest')
tensor(2.)
>>> torch.quantile(a, 0.4, interpolation='nearest')
tensor(1.)