代码：x.norm(p=2,dim=1,keepdim=True)

功能：求指定维度上的范数。

函数原型：【返回输入张量给定维dim 上每行的p范数】

                 torch.norm(input, p, dim, out=None,keepdim=False) → Tensor

         注：范数求法：【对N个数据求p范数】

函数参数：

input (Tensor) – 输入张量

p (float) – 范数计算中的幂指数值

dim (int) – 缩减的维度，dim=0是对0维度上的一个向量求范数，返回结果数量等于其列的个数，也就是说有多少个0维度的向                          量， 将得到多少个范数。dim=1同理。

out (Tensor, optional) – 结果张量

keepdim（bool）– 保持输出的维度 。当keepdim=False时，输出比输入少一个维度（就是指定的dim求范数的维度）。而                                                keepdim=True时，输出与输入维度相同，仅仅是输出在求范数的维度上元素个数变为1。这也是为什么有时                                      我们把参数中的dim称为缩减的维度，因为norm运算之后，此维度或者消失或者元素个数变为1。

例子说明：

已知一个3×4矩阵，如下：

tensor([[ 1.,  2.,  3.,  4.],

        [ 2.,  4.,  6.,  8.],

        [ 3.,  6.,  9., 12.]])

1）dim参数，分别对其行和列分别求2范数：

inputs1 = torch.norm(inputs, p=2, dim=1, keepdim=True)

print(inputs1)

inputs2 = torch.norm(inputs, p=2, dim=0, keepdim=True)

print(inputs2)

结果分别为：

tensor([[ 5.4772],

        [10.9545],

        [16.4317]])

tensor([[ 3.7417,  7.4833, 11.2250, 14.9666]])

2）keepdim参数

inputs3 = inputs.norm(p=2, dim=1, keepdim=False)

print(inputs3)

inputs3为：

tensor([ 5.4772, 10.9545, 16.4317])

输出inputs1和inputs3的shape：

print(inputs1.shape)

print(inputs3.shape)

torch.Size([3, 1])

torch.Size([3])

可以看到inputs3少了一维，其实就是dim=1（求范数）那一维(列)少了，因为从4列变成1列，就是3行中求每一行的2范数，就剩1列了，不保持这一维不会对数据产生影响。或者也可以这么理解，就是数据每个数据有没有用[]扩起来。

即：

keepdim = True，用[]扩起来；

keepdim = False，不用[]括起来；

【不写keepdim，则默认不保留dim的那个维度】：

inputs4 = torch.norm(inputs, p=2, dim=1)

print(inputs4)

tensor([ 5.4772, 10.9545, 16.4317])

【不写dim，则计算Tensor中所有元素的2范数】：

inputs5 = torch.norm(inputs, p=2)

print(inputs5)

tensor(20.4939)

等价于这句话：

inputs6 = inputs.pow(2).sum().sqrt()

print(inputs6)

tensor(20.4939)

总之，norm操作后dim这一维变为1或者消失。