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()

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

如果你想要[0;1]为1d-array，然后使用

(a - a.min(axis=0)) / (a.max(axis=0) - a.min(axis=0))

a是你的一维数组。

一个例子:

>>> a = np.array([0, 1, 2, 4, 5, 2])
>>> (a - a.min(axis=0)) / (a.max(axis=0) - a.min(axis=0))
array([0. , 0.2, 0.4, 0.8, 1. , 0.4])

注意该方法。对于保存值之间的比例有一个限制:一维数组必须至少有一个0，并且由0和正数组成。

我同意，如果这样的函数是包含的库的一部分，那就太好了。但据我所知，不是这样的。这是一个任意轴都能给出最佳性能的版本。

import numpy as np

def normalized(a, axis=-1, order=2):
    l2 = np.atleast_1d(np.linalg.norm(a, order, axis))
    l2[l2==0] = 1
    return a / np.expand_dims(l2, axis)

A = np.random.randn(3,3,3)
print(normalized(A,0))
print(normalized(A,1))
print(normalized(A,2))

print(normalized(np.arange(3)[:,None]))
print(normalized(np.arange(3)))

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)