1.torch.norm的参数

def norm(input, p="fro", dim=None, keepdim=False, out=None, dtype=None):

根据python源码，可以看出torch.norm的参数有主要如下参数：

1. input:输入tensor类型的数据
2. p:指定的范数。
   
   ①：默认为p=‘fro’，计算矩阵的Frobenius norm (Frobenius 范数)，就是矩阵A各项元素的绝对值平方的总和，数学表达式为：
   
   ②：p='nuc’时，是求核范数，核范数是矩阵奇异值的和。（不常用）
   ③：常用的是第三种，p为int的形式,则是如下形式：
3. dim:指定在哪个维度进行，如果不指定，则是在所有维度进行计算。

dim (int, tuple of ints, list of ints, optional):
    Specifies which dimension or dimensions of :attr:`input` to
    calculate the norm across. If :attr:`dim` is ``None``, the norm will
    be calculated across all dimensions of :attr:`input`. If the norm
    type indicated by :attr:`p` does not support the specified number of
    dimensions, an error will occur.

4. keepdim:True or False，如果True，则保留dim指定的维度，False则不保留。
5. out：输出的tensor，文档没说具体含义，暂时不知。

out (Tensor, optional): the output tensor. Ignored if
    :attr:`dim` = ``None`` and :attr:`out` = ``None``.

6. dtype：指定输出的tensor的数据类型。

2.示例

代码如下：

import torch
t = torch.ones(64, 3, 3, 3)
t_norm = t.norm(1, 3)
print(t_norm)

指定p=1，dim=3。也就是在t的第3个维度（从0开始）进行1范数计算。
调试一下可以发现：t_norm的shape为（64，3，3），keepdim默认设置的是False,所以第3个维度对应的3消失了，如果keepdim=True,将会保留第3个维度，但是会变成（64，3，3，1）

每一个元素都是为3，足以验证第1节的说法。