torch.quantile

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

计算沿 dim 维度的 input 张量每行的 q-分位数。

为了计算分位数，我们将 q 在 [0, 1] 的范围内映射到索引范围 [0, n]，以找到排序输入中分位数的位置。如果分位数位于两个数据点 a < b （索引为 i 和 j ）之间，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分数部分。

• lower: a.

• higher: b.

• nearest : a 或 b ，取其索引更接近计算出的分位数索引者（对于 .5 的分数进行向下取整）。

• midpoint: (a + b) / 2.

如果 q 是一个一维张量，输出张量的第一个维度表示分位数，其大小等于 q 的大小，其余维度是缩减后的剩余维度。

注意

默认情况下， dim 是 None ，导致在计算之前将 input 张量展平。

参数:

• input (Tensor) – 输入张量。

• q (浮点数或张量) – 范围 [0, 1] 内的标量或 1D 张量。

• dim（整数）- 要减少的维度。

• keepdim（布尔值）- 输出张量是否保留 dim 。

关键字参数:

• interpolation (字符串) – 当所需的量分值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 。默认为 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.)