机器学习与深度学习 / 系统课时
聚合与统计运算
聚合与统计运算
本课解决“怎样从一批张量数据中快速得到统计结论”的问题。你将用求和、均值、最大值、排序等操作,完成按样本、按特征和全局三个层级的统计,并能正确处理维度与返回索引。
学习目标
- 理解归约操作中
dim与keepdim的作用 - 使用
sum、mean、max和sort完成批量统计 - 识别数据类型、维度选择和返回值处理中的常见错误
先理解归约维度
聚合运算会沿指定维度压缩数据。以形状为 [批次, 特征] 的二维张量为例,dim=0 会跨样本统计每个特征,dim=1 会在每个样本内部统计全部特征;不传 dim 时则归约整个张量。
keepdim=True 会保留被压缩的维度,并把该位置变成长度为 1 的轴。例如 [3, 4] 沿 dim=1 求和,默认结果形状为 [3],保留维度后为 [3, 1]。这在后续广播和拼接时很有用。
用一个张量完成批量统计
下面把三名学生的四科成绩组织成二维张量,同时计算每名学生总分、每科平均分、个人最高分及其科目位置,并对每行成绩降序排列。
import torch
scores = torch.tensor(
[
[72.0, 85.0, 91.0, 68.0],
[88.0, 76.0, 95.0, 84.0],
[60.0, 79.0, 73.0, 90.0],
]
)
print("shape:", tuple(scores.shape))
print("student_sum:", scores.sum(dim=1))
print("subject_mean:", scores.mean(dim=0))
# max 同时返回最大值和最大值所在位置
max_values, max_indices = scores.max(dim=1)
print("max_values:", max_values)
print("max_indices:", max_indices)
sorted_values, sorted_indices = torch.sort(scores, dim=1, descending=True)
print("sorted_values:", sorted_values)
print("sorted_indices:", sorted_indices)
print("all_mean:", scores.mean())预期输出:
shape: (3, 4)
student_sum: tensor([316., 343., 302.])
subject_mean: tensor([73.3333, 80.0000, 86.3333, 80.6667])
max_values: tensor([91., 95., 90.])
max_indices: tensor([2, 2, 3])
sorted_values: tensor([[91., 85., 72., 68.],
[95., 88., 84., 76.],
[90., 79., 73., 60.]])
sorted_indices: tensor([[2, 1, 0, 3],
[2, 0, 3, 1],
[3, 1, 2, 0]])
all_mean: tensor(80.0833)实际显示的小数位可能因 PyTorch 打印精度设置不同而略有变化,但数值与索引应一致。
选择合适的统计操作
sum 和 mean 用于整体趋势,max、min 用于极值分析。按维度调用 max 或 min 时会返回“数值张量”和“索引张量”;只需要位置时可使用 argmax 或 argmin。
sort 会返回完整排序结果及原始位置,适合需要保留全部名次的场景。只关心前几个结果时,使用 torch.topk 通常更直接,也避免对所有元素进行完整排序。
关键边界与常见错误
均值运算通常要求浮点或复数张量。若原始数据是整数,可先调用 float(),否则 mean 可能因无法推断输出类型而报错。
维度编号从 0 开始,并且要结合张量形状理解。统计结果异常时,先打印 tensor.shape,再明确每个轴的业务含义,不要仅凭“行”和“列”的直觉选择 dim。
排序和最大值返回的索引是原张量中的位置,不是业务名称。实际项目中通常还需要用索引映射到类别、字段或标签列表。