torch.quantile

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

Вычисляет q-й квантиль каждой строки тензора input по размерности dim.

Для вычисления квантиля, мы отображаем q в [0, 1] на диапазон индексов [0, n], чтобы найти местоположение квантиля в отсортированном входе. Если квантиль лежит между двумя точками данных a < b с индексами i и j в отсортированном порядке, результат вычисляется в соответствии с заданным методом interpolation следующим образом:

• linear: a + (b - a) * fraction, где fraction — дробная часть вычисленного индекса квантиля.
• lower: a.
• higher: b.
• nearest: a или b, индекс которого ближе к вычисленному индексу квантиля (округление вниз для .5 дробей).
• midpoint: (a + b) / 2.

Если q является одномерным тензором, первая размерность выходного тензора представляет квантили и имеет размер, равный размеру q, остальные размерности остаются от сокращения.

Примечание

По умолчанию dim является None, что приводит к тому, что тензор input сглаживается перед вычислением.

Параметры

• input (Тензор) – входной тензор.
• q (float или Тензор) – скаляр или одномерный тензор со значениями в диапазоне [0, 1].
• dim (int) – размерность для сокращения.
• keepdim (bool) – сохраняется ли размерность выходного тензора.

Ключевые аргументы

• interpolation (str) – метод интерполяции, используемый, когда желаемый квантиль лежит между двумя точками данных. Может быть linear, lower, higher, midpoint и nearest. По умолчанию linear.
• out (Тензор, необязательно) – выходной тензор.

Пример:

>>> 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.)