淘宝客网站模板免费下载,网站优化与seo的区别,环球军事新闻最新消息,做301网站打不开1. 矩阵与标量
矩阵#xff08;张量#xff09;每一个元素与标量进行操作。
import torch
a torch.tensor([1,2])
print(a1)tensor([2, 3])
2. 哈达玛积#xff08;Mul#xff09;
两个相同尺寸的张量相乘#xff0c;然后对应元素的相乘就是这个哈达玛…1. 矩阵与标量
矩阵张量每一个元素与标量进行操作。
import torch
a torch.tensor([1,2])
print(a1)tensor([2, 3])
2. 哈达玛积Mul
两个相同尺寸的张量相乘然后对应元素的相乘就是这个哈达玛积。
a torch.tensor([1,2])
b torch.tensor([2,3])
print(a*b)
print(torch.mul(a,b))tensor([2, 6])tensor([2, 6])
这个torch.mul()和*以及torch.dot()是等价的
当然除法也是类似的
a torch.tensor([1.,2.])
b torch.tensor([2.,3.])
print(a/b)
print(torch.div(a/b))tensor([0.5000, 0.6667])tensor([0.5000, 0.6667])
我们可以发现的torch.div()其实就是/, 类似的torch.add就是,torch.sub()就是-,不过符号的运算更简单常用。
3. 矩阵乘法
在代码中矩阵相乘有三种写法
torch.mm()torch.matmul()
a torch.tensor([1.,2.])
b torch.tensor([2.,3.]).view(1,2)
print(torch.mm(a, b))
print(torch.matmul(a, b))
print(a b)
输出结果
tensor([[2., 3.],[4., 6.]])
tensor([[2., 3.],[4., 6.]])
tensor([[2., 3.],[4., 6.]])
上面的是对二维矩阵而言的假如参与运算的是一个多维张量那么只有torch.matmul()可以使用
torch.mv()等价于torch.mm()不过不同的是mv适用与矩阵和向量相乘
在多维张量中参与矩阵运算的其实只有后两个维度前面的维度其实就像是索引一样举个例子
a torch.rand((1,2,64,32))
b torch.rand((1,2,32,64))
print(torch.matmul(a, b).shape)torch.Size([1, 2, 64, 64])
4. 幂与开方
a torch.tensor([1.,2.])
b torch.tensor([2.,3.])
c1 a ** b
c2 torch.pow(a, b)
print(c1,c2)tensor([1., 8.]) tensor([1., 8.])
5. 对数运算
pytorch中log是以e自然数为底数的然后log2和log10才是以2和10为底数的运算。
import numpy as np
print(对数运算)
a torch.tensor([2,10,np.e])
print(torch.log(a))
print(torch.log2(a))
print(torch.log10(a))tensor([0.6931, 2.3026, 1.0000])tensor([1.0000, 3.3219, 1.4427])tensor([0.3010, 1.0000, 0.4343])
6. 近似值运算
.ceil() 向上取整.floor()向下取整.trunc()取整数.frac()取小数.round()四舍五入
a torch.tensor(1.2345)
print(a.ceil())
tensor(2.)
print(a.floor())tensor(1.)
print(a.trunc())tensor(1.)
print(a.frac())tensor(0.2345)
print(a.round())tensor(1.)
7. 剪裁运算
这个是让一个数限制在你自己设置的一个范围内[min,max],小于min的话就被设置为min大于max的话就被设置为max。这个操作在一些对抗生成网络中好像是WGAN-GP,通过强行限制模型的参数的值。
a torch.rand(5)
print(a)
print(a.clamp(0.3,0.7))
输出为
tensor([0.5271, 0.6924, 0.9919, 0.0095, 0.0340])
tensor([0.5271, 0.6924, 0.7000, 0.3000, 0.3000])
