我想将NumPy数组转换为单位向量。更具体地说，我正在寻找这个归一化函数的等效版本:
def normalize(v):
norm = np.linalg.norm(v)
if norm == 0:
return v
return v / norm
这个函数处理向量v的范数为0的情况。
在sklearn或numpy中是否提供了类似的函数?
当前回答
这可能对你也有用
import numpy as np
normalized_v = v / np.sqrt(np.sum(v**2))
但当v的长度为0时失效。
在这种情况下，引入一个小常数来防止零除法可以解决这个问题。
正如评论中所建议的，人们也可以使用
v/np.linalg.norm(v)
其他回答
如果你不需要最大的精度，你的函数可以简化为:
v_norm = v / (np.linalg.norm(v) + 1e-16)
如果您正在处理3D向量，您可以使用vg工具带简单地做到这一点。它是numpy之上的一个轻量级层，支持单值和堆叠向量。
import numpy as np
import vg
x = np.random.rand(1000)*10
norm1 = x / np.linalg.norm(x)
norm2 = vg.normalize(x)
print np.all(norm1 == norm2)
# True
我在上次创业时创建了这个库，它的动机是这样的:简单的想法在NumPy中太啰嗦了。
一个简单的点积就可以了。不需要任何额外的包装。
x = x/np.sqrt(x.dot(x))
顺便说一下，如果x的范数为0，它本质上是一个零向量，并且不能转换为单位向量(范数为1)。如果你想捕获np.array([0,0，…0])的情况，那么使用
norm = np.sqrt(x.dot(x))
x = x/norm if norm != 0 else x
这可能对你也有用
import numpy as np
normalized_v = v / np.sqrt(np.sum(v**2))
但当v的长度为0时失效。
在这种情况下，引入一个小常数来防止零除法可以解决这个问题。
正如评论中所建议的，人们也可以使用
v/np.linalg.norm(v)
如果你想将存储在3D张量中的n维特征向量归一化，你也可以使用PyTorch:
import numpy as np
from torch import FloatTensor
from torch.nn.functional import normalize
vecs = np.random.rand(3, 16, 16, 16)
norm_vecs = normalize(FloatTensor(vecs), dim=0, eps=1e-16).numpy()
