PyTorch数据的非标准化

以下代码：

ux = torch.tensor(np.array([[255,1,255],[255,1,255]])).float()

print(ux)

ux = F.normalize(ux, p=2, dim=1)

print(ux)

印刷品：

tensor([[ 255.,    1.,  255.],
        [ 255.,    1.,  255.]])
tensor([[ 0.7071,  0.0028,  0.7071],
        [ 0.7071,  0.0028,  0.7071]])

如何取消规范化

ux

以返回值

tensor([[ 255.,    1.,  255.],
        [ 255.,    1.,  255.]])

从

---

有各种资源详细说明了此过程，例如但没有详细说明

F.normalize的非规范化结果。normalize
F.normalize
只是根据的除以范数，因此只需将其乘以其大小即可

这意味着您仍然需要访问原始向量的幅值
ux，否则，这是不可能的，因为无法从规范化向量恢复有关幅值的信息

以下是如何做到这一点：

#我修改了输入以使其更有趣，但您可以使用任何其他值
ux=torch.tensor（np.array（[[255,1255]，[101,10123]]）.float（）
震级=ux.norm（p=2，dim=1，keepdim=True）#新
ux=F.标准化（ux，p=2，dim=1）
ux_orig=ux*震级#新
打印（ux_原版）
#产出：
#张量（[[255,1,255.]，
#         [101.,  10., 123.]])

tensor([[ 0.7071,  0.0028,  0.7071],
        [ 0.7071,  0.0028,  0.7071]])