国内做优秀的农业信息网站,中国建设银行网站u盾修改密码,今天河南重大新闻,深汕特别合作区包括哪些地方在介绍完PyTorch中的广播运算后#xff0c;继续为大家介绍PyTorch的内置数学运算#xff1a;
首先对内置函数有一个功能印象#xff0c;知道它的存在#xff0c;使用时再查具体怎么用其次#xff0c;我还会介绍PyTorch科学运算的注意事项与一些实用小技巧
1 基本数学运算…
在介绍完PyTorch中的广播运算后继续为大家介绍PyTorch的内置数学运算
首先对内置函数有一个功能印象知道它的存在使用时再查具体怎么用其次我还会介绍PyTorch科学运算的注意事项与一些实用小技巧
1 基本数学运算
函数功能torch.add(t1t2 )等效于t1t2torch.sub(t1t2)等效于t1-t2torch.mul(t1t2)等效于t1*t2torch.div(t1t2)等效于t1/t2
2 进行数值调整
t torch.randn(5)
t
# tensor([ 0.3806, 0.9064, -1.9179, 2.0816, -0.4153])返回绝对值
torch.abs(t)
# tensor([0.3806, 0.9064, 1.9179, 2.0816, 0.4153])返回相反数
torch.neg(t)
# tensor([-0.3806, -0.9064, 1.9179, -2.0816, 0.4153])四舍五入
torch.round(t)
# tensor([ 0., 1., -2., 2., -0.])向上取整
torch.ceil(t)
# tensor([ 1., 1., -1., 3., -0.])向下取整
torch.floor(t)
# tensor([ 0., 0., -2., 2., -1.])注虽然此类型函数并不会对原对象进行调整而是输出新的结果。
# t本身并未发生变化
t
# tensor([ 0.3806, 0.9064, -1.9179, 2.0816, -0.4153])若要对原对象本身进行修改可使用方法_()。
# 使用方法_()
t.round_()
# tensor([ 0., 1., -2., 2., -0.])# 原对象也进行了改变
t
# tensor([ 0., 1., -2., 2., -0.])3 常用科学计算
需要注意的有以下两点
因为张量能指定在CPU或者GPU上运行因此tensor的大多数科学计算只能作用于tensor对象而不能和Python对象混用
# 计算3的3次方
torch.pow(3, 3)
# TypeErrortorch.pow(torch.tensor(3), 3)
# tensor(27)由于会涉及GPU计算所以对运算结果一般是小数的函数要求函数只能输入浮点型张量而不能是整型
t torch.arange(1, 4)
t.dtype
# torch.int64
torch.exp(t)
# RuntimeErrortorch.exp(t.float())
# tensor([1.0000, 2.7183, 0.1353, 7.3891, 1.0000])其他常用科学计算有
数学运算函数数学公式功能幂运算torch.exp(t)$ y_{i} e^{x_{i}} $返回以e为底、t中元素为幂的张量torch.pow(t,n)$\text{out}_i t ^ \text{n} $返回t的n次幂torch.sqrt(t)$ \text{out} \sqrt{\text{input}} $返回t的平方根torch.square(t)$ \text{out}_i x_i ^ \text{2} $返回输入的元素平方对数运算torch.log10(t)$ y_{i} \log_{10} (x_{i}) $返回以10为底的t的对数torch.log(t)$ y_{i} \log_{e} (x_{i}) $返回以e为底的t的对数torch.log2(t)$ y_{i} \log_{2} (x_{i}) $返回以2为底的t的对数torch.log1p(t)$ y_i \log_{e} (x_i $ 1)返回一个加自然对数的输入数组。三角运算torch.sin(t)正弦torch.cos(t)余弦torch.tan(t)正切
4 统计分析
此类计算是对某张量进行某种总结最后得出一个具体总结值的函数。
函数功能torch.mean(t)返回张量均值torch.var(t)返回张量方差torch.std(t)返回张量标准差torch.var_mean(t)返回张量方差和均值torch.std_mean(t)返回张量标准差和均值torch.max(t)返回张量最大值torch.argmax(t)返回张量最大值索引torch.min(t)返回张量最小值torch.argmin(t)返回张量最小值索引torch.median(t)返回张量中位数torch.sum(t)返回张量求和结果torch.logsumexp(t)返回张量各元素求和结果适用于数据量较小的情况torch.prod(t)返回张量累乘结果torch.dist(t1, t2)计算两个张量的闵式距离可使用不同范式torch.topk(t)返回t中最大的k个值对应的指标
这里我们常用的距离公式dist()为闵可夫斯基距离通过输入不同的p值可方便计算曼哈顿距离、欧拉距离
# 输入float型
t1 torch.tensor([1, 2, 3]).float()
t2 torch.tensor([4, 5, 6]).float()# 计算曼哈顿距离
torch.dist(t1, t2, 1)
# tensor(9.)# 计算欧拉距离
torch.dist(t1, t2, 2)
# tensor(5.1962)统计分析是一个张量序列返回一个结果因此若是针对高维张量则可指定某维度进行计算
# 创建一个3*3的二维张量
t2 torch.arange(6).float().reshape(2, 3)
t2# 按照第一个维度求和(按列求和)
torch.sum(t2, dim 0)
# tensor([3., 5., 7.])理解为按照第一个维度是行所以将每行对应元素相加就是按列求和。
这里一定要将dim参数和shape返回结果一一对应。不理解的同学可看。
# 创建一个2*3*4的三维张量
t3 torch.arange(24).float().reshape(2, 3, 4)
t3
# tensor([[[ 0., 1., 2., 3.],
# [ 4., 5., 6., 7.],
# [ 8., 9., 10., 11.]],# [[12., 13., 14., 15.],
# [16., 17., 18., 19.],
# [20., 21., 22., 23.]]])# 第一维度是代表几个二维矩阵就是二维矩阵的对应位置相加
torch.sum(t3, dim 0)
# tensor([[12., 14., 16., 18.],
# [20., 22., 24., 26.],
# [28., 30., 32., 34.]])# 第二个维度代表行就是向量每个二维矩阵中的向量对应位置相加
torch.sum(t3, dim 1)
# tensor([[12., 15., 18., 21.],
# [48., 51., 54., 57.]])# 第三个维度是列就是零维张量就是每个向量进行相加
torch.sum(t3, dim 2)
# tensor([[ 6., 22., 38.],
# [54., 70., 86.]])这样理解维度是不是清晰明了
5 比较运算
常用于不同张量之间的逻辑运算最终返回布尔值。需要注意的是eq()与equal()的区别。
t1 torch.tensor([1.0, 2, 4])
t2 torch.tensor([1.0, 2, 5])比较各元素是否相等
torch.eq(t1, t2)
# tensor([ True, True, False])# 等效t1 t2
t1 t2
# tensor([ True, True, False])判断是否是相同的张量
torch.equal(t1, t2)
# False其它比较计算还有
函数功能torch.gt(t1, t2)比较t1各元素是否大于t2各元素等效torch.lt(t1, t2)比较t1各元素是否小于t2各元素等效torch.ge(t1, t2)比较t1各元素是否大于或等于t2各元素等效torch.le(t1, t2)比较t1各元素是否小于等于t2各元素等效torch.ne(t1, t2)比较t1、t2各元素是否不相同等效!
Pytorch张量操作大全
Pytorch使用教学1-Tensor的创建 Pytorch使用教学2-Tensor的维度 Pytorch使用教学3-特殊张量的创建与类型转化 Pytorch使用教学4-张量的索引 Pytorch使用教学5-视图view与reshape的区别 Pytorch使用教学6-张量的分割与合并 Pytorch使用教学7-张量的广播 Pytorch使用教学8-张量的科学运算 Pytorch使用教学9-张量的线性代数运算 Pytorch使用教学10-张量操作方法大总结
