torch.histogram

torch.histogram(input, bins, *, range=None, weight=None, density=False, out=None)

计算张量中值的直方图。

bins 可以是一个整数或一个一维张量。

如果 bins 是整数，则指定等宽分箱的数量。默认情况下，分箱的下限和上限由输入张量的最小值和最大值确定。可以提供 range 参数来指定分箱的范围。

如果 bins 是一维张量，则指定包括最右侧边界的分箱边序列。它应包含至少 2 个元素，且其元素应递增。

参数:

• input (Tensor) – 输入张量。

• 分箱 - 整数或一维张量。如果是整数，则定义等宽分箱的数量。如果是张量，则定义包括最右侧边界的分箱边序列。

关键字参数:

• range（Python 浮点元组）- 定义 bin 的范围。

• weight（张量）- 如果提供，权重应与输入具有相同的形状。输入中的每个值都向其 bin 的结果贡献其关联的权重。

• density（布尔值）- 如果为 False，则结果将包含每个 bin 中的计数（或总权重）。如果为 True，则结果是概率密度函数在 bin 上的值，归一化使得 bin 范围的积分等于 1。

• out（张量，可选）- 输出张量。（元组，可选）：两个输出张量的结果元组（hist，bin_edges）。

返回值:

包含直方图值的 1D 张量。bin_edges(Tensor)：包含直方图边界的 1D 张量。

返回类型:

hist（张量）

示例：

>>> torch.histogram(torch.tensor([1., 2, 1]), bins=4, range=(0., 3.), weight=torch.tensor([1., 2., 4.]))
(tensor([ 0.,  5.,  2.,  0.]), tensor([0., 0.75, 1.5, 2.25, 3.]))
>>> torch.histogram(torch.tensor([1., 2, 1]), bins=4, range=(0., 3.), weight=torch.tensor([1., 2., 4.]), density=True)
(tensor([ 0.,  0.9524,  0.3810,  0.]), tensor([0., 0.75, 1.5, 2.25, 3.]))