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】
||x||p=p次根号下 （x1的p次幂 + x2的p次幂 + x3的p次幂 + …）

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。

import torchinputs=torch.tensor([[ 1.,  2.,  3.,  4.],[ 2.,  4.,  6.,  8.],[ 3.,  6.,  9., 12.]])
print(inputs.shape)#torch.Size([3, 4])
inputs1 = torch.norm(inputs, p=2, dim=1, keepdim=True)
print(inputs1)

torch.Size([3, 4])==》torch.Size([3, 1])
tensor([[ 5.4772],
[10.9545],
[16.4317]])
求解过程：dim=1即就是在4个数的维度上进行求范数
5.4772 = 2√￣(1²⁺²2+3²⁺⁴2)
10.9545 = 2√￣(2²⁺⁴2+6²⁺⁸2)
16.4317=2√￣(3²⁺⁶2+9²⁺¹²2)

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

torch.Size([3, 4])==》torch.Size([1, 4])
tensor([[ 3.7417, 7.4833, 11.2250, 14.9666]])
计算过程：dim=0，即就是在3行的维度上进行纵向求解，在哪个维度上，输出结构哪个维度将会变成1
3.7417 = 2√￣(1²⁺²2+3^2)
7.4833 = 2√￣(2²⁺⁴2+6^2)
11.2250 = 2√￣(3²⁺⁶2+9^2)
14.9666 = 2√￣(4²⁺⁸2+12^2)