如何在 PyTorch 中计算张量的直方图？

在了解如何计算张量的直方图之前，我们应该有一些基础知识。张量只是可以用来描述物理属性的数学对象，就像标量和向量一样。直方图是将一组数据点组织成用户指定范围的图形表示。

Syntax: torch.histc(input,bins,min,max)

Parameters:

• input – This is the tensor that we will be passing as an input,
• bins – The towers or bars of a histogram are called bins. The height of each bin shows how many values from that data fall into that range.
• min – This is the minimum value of the bars i.e bin
• max – This is the maximum value of the bars i.e bin

计算张量直方图的步骤

第 1 步：导入所需的库。在所有示例中，所需的Python库是 Matplotlib 和 torch。

If not installed, install them using ‘ pip install matplotlib ‘ and ‘ pip install torch ‘ .

从Python模块导入库的语法：

import torch
import matplotlib.pyplot as plt #here plt is a alias

第 2 步：创建一个具有随机值的张量并打印它。

Pytorch 张量与 NumPy 数组相同，它对深度学习或计算图或梯度一无所知，它只是一个用于数值计算的 n 维数组。

创建张量的语法：

Python3

# torch.tensor(data) creates a 
# torch.Tensor object with the
# given data.
V_data = [1., 2., 3.]
V = torch.tensor(V_data)
print(V)
  
# Creates a tensor of matrix
M_data = [[1., 2., 3.], [4., 5., 6]]
M = torch.tensor(M_data)
print(M)
  
# Create a 3D tensor of size 2x2x2.
T_data = [[[1., 2.], [3., 4.]],
          [[5., 6.], [7., 8.]]]
T = torch.tensor(T_data)
print(T)

输出 ：

tensor([1., 2., 3.])
tensor([[1., 2., 3.],
        [4., 5., 6.]])
tensor([[[1., 2.],
         [3., 4.]],

        [[5., 6.],
         [7., 8.]]])

第 3 步：计算 torch.histc(input, 5, min=0, max=4)，根据需要将 bin、min 和 max 设置为适当的值。

句法 ：

torch.histc(input, bins=100, min=0, max=0, *, out=None) → Tensor

计算张量的直方图。元素被分类到 min 和 max 之间的等宽 bin 中。如果 min 和 max 都为零，则使用数据的最小值和最大值。低于 min 和高于 max 的元素将被忽略。

Parameters:

• input (Tensor) – the input tensor.
• bins (int) – number of histogram bins
• min (int) – the lower end of the range (inclusive)
• max (int) – upper end of the range (inclusive)

Keyword used: out (Tensor, optional) – the output tensor.

Returns: Histogram represented as a tensor

第 4 步：打印由函数torch.histc( ) 创建的直方图。

使用简单的打印函数打印直方图的张量。

Python3

# Use Google Colab to run these programs
import torch
  
GFG = torch.Tensor([1, 7, 1, 4, 1, 4, 3, 4, 1, 7, 2, 4])
hist = torch.histc(GFG, bins=5, min=0, max=4, *, out=None)
  
# Printing the histogram of tensor
print("GeeksforGeeks")
print("GFG tensor", hist)

输出 ：

GeeksforGeeks
GFG tensor tensor([0., 4., 1., 1., 4.])

第 5 步：将直方图可视化为条形图

为了可视化直方图，我们将使用 matplotlib 库。

plt.bar(x/y, var_name, align=’center/left/right’, color = [‘anycolor’])

上面的代码块用于将直方图绘制为条形图。

参数：

• axis x/y：表示柱状图是沿着x轴还是y轴
• var_name：它是给张量的变量名
• 对齐：居中，左，右
• 颜色：任何颜色

Python3

import torch
import matplotlib.pyplot as plt
  
GFG = torch.Tensor([1, 7, 1, 4, 1, 4, 3, 4, 1, 7, 2, 4])
hist = torch.histc(GFG, bins=5, min=0, max=4, out=None)
  
# Printing the histogram of tensor
print("GeeksforGeeks")
print("GFG tensor", hist)
bins = 5
x = range(bins)
plt.bar(x, hist, align='center', color=['forestgreen'])
plt.xlabel('Bins')
plt.ylabel('Frequency')
plt.show()

输出：

GeeksforGeeks

GFG tensor tensor([0., 4., 1., 1., 4.])

让我们再看几个例子以便更好地理解。

示例 1：

Python3

# example 1
import torch
import matplotlib.pyplot as plt
  
# Create a tensor
T = torch.Tensor([1, 5, 1, 4, 2, 4, 3,
                  3, 1, 4, 2, 4])
print("Original Tensor T:\n", T)
  
# Calculate the histogram of the above
# created tensor
hist = torch.histc(T, bins=5, min=0, max=4)
print("Histogram of T:\n", hist)

输出

Original Tensor T:

 tensor([1., 5., 1., 4., 2., 4., 3., 3., 1., 4., 2., 4.])

Histogram of T:

 tensor([0., 3., 2., 2., 4.])

示例 2：

Python3

# example 2
import torch
import matplotlib.pyplot as plt
  
# Create a tensor
T = torch.Tensor([1, 5, 1, 4, 2, 4, 3,
                  3, 1, 4, 2, 4])
print("Original Tensor T:\n", T)
  
# Calculate the histogram of the above 
# created tensor
hist = torch.histc(T, bins=5, min=0, max=4)
  
# Visualize above calculated histogram 
# as bar diagram
bins = 5
x = range(bins)
plt.bar(x, hist, align='center', color=['forestgreen'])
plt.xlabel('Bins')
plt.ylabel('Frequency')
plt.show()

输出

Original Tensor T:

 tensor([1., 5., 1., 4., 2., 4., 3., 3., 1., 4., 2., 4.])