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
- 关键字参数
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.)