torch.quantile¶

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

计算沿维度 dim 的 input 张量每行的第 q 个分位数。

要计算分位数，我们将 q 在 [0, 1] 范围内映射到索引范围 [0, n] 以找到分位数在排序输入中的位置。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 是计算的分位数索引的小数部分。
lower: a.
higher: b.
nearest: a 或 b，取其索引更接近计算出的分位数索引的那个（对于0.5的分数向下取整）。
midpoint: (a + b) / 2。

如果 q 是一个一维张量，输出的第一个维度表示分位数，其大小等于 q 的大小，其余维度是缩减后剩余的部分。

注意

默认情况下，dim 是 None，这会导致 input 张量在计算之前被展平。

Parameters

输入 (张量) – 输入张量。
q (float 或 Tensor) – 一个标量或1D张量，值在范围[0, 1]内。
dim (int) – 要减少的维度。
keepdim (布尔值) – 输出张量是否保留dim。

Keyword Arguments

插值 (str) – 当所需的分位数位于两个数据点之间时使用的插值方法。可以是 linear、lower、higher、midpoint 和 nearest。默认是 linear。
输出 (张量, 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.)