mindspore.ops.LpNorm

class mindspore.ops.LpNorm(axis, p=2, keep_dims=False, epsilon=1e-12)[源代码]

返回输入矩阵或向量的p-范数。

\[output = \|input\|_{p}=\left(\sum_{i=1}^{n}\left|input\right|^{p}\right)^{1 / p}\]

参数：

axis (int,list,tuple) - 指定计算范数的维度。
p (int，可选) - 范数的阶。默认值： 2 。
keep_dims (bool，可选) - 输出Tensor是否保留原有的维度。默认值： False 。
epsilon (float，可选) - 范数下界，当计算的范数小于此值时，用 epsilon 替换该结果。默认值： 1e-12 。

输入：

input (Tensor) - 输入Tensor，数据类型为float16或float32。

输出：

Tensor，数据类型与 input 一致，其shape由 axis 决定。如果输入shape为 \((2, 3, 4)\) ， axis 为 \([0, 1]\) ，则输出shape为 \((4,)\) 。

异常：

TypeError - 若 input 不是Tensor。
TypeError - 若 input 的数据类型不是float16或float32。
TypeError - 若 p 不是int。
TypeError - 若 axis 不是int、list或tuple。
TypeError - 若 axis 是list或tuple，但含有非int元素。
TypeError - 若 keep_dims 不是bool。
ValueError - 若 axis 的元素不在 \([-r, r)\) 范围内，其中 \(r\) 为 input 的秩。
ValueError - 若 axis shape长度大于 input shape长度。

支持平台：

Ascend GPU CPU

样例：

>>> import numpy as np
>>> from mindspore import Tensor, ops
>>> input_x = Tensor(np.array([[[1.0, 2.0], [3.0, 4.0]], [[5.0, 6.0], [7.0, 8.0]]]).astype(np.float32))
>>> op = ops.LpNorm(axis=[0, 1], p=2, keep_dims=False)
>>> output = op(input_x)
>>> print(output)
[ 9.165152 10.954452]