南通网站seo,涿州注册公司流程和费用,app技术策划怎么写,服务器如何发布网站文章目录 1. 张量数值计算1. 1 张量基本运算1.2 点乘运算1.3 矩阵运算 2. 张量运算函数 1. 张量数值计算
1. 1 张量基本运算
加减乘除取负号#xff1a;
add、sub、mul、div、neg
add_ 、sub_、 mul_ 、div_、 neg_ (其中带下划线的版本会修改原数据)
data torch.randin… 文章目录 1. 张量数值计算1. 1 张量基本运算1.2 点乘运算1.3 矩阵运算 2. 张量运算函数 1. 张量数值计算
1. 1 张量基本运算
加减乘除取负号
add、sub、mul、div、neg
add_ 、sub_、 mul_ 、div_、 neg_ (其中带下划线的版本会修改原数据)
data torch.randint(0,10,[2,3])
print(data)
# 不修改原数据 相当于 data data 5
new_datadata.add(5)
print(new_data)
# 修改原数据 相当于 data 3
data.add_(3)
print(data)输出结果
tensor([[8, 8, 4],[4, 1, 0]])
tensor([[13, 13, 9],[ 9, 6, 5]])
tensor([[11, 11, 7],[ 7, 4, 3]])1.2 点乘运算
点乘运算是指两个同维矩阵相同位置的元素相乘使用 mul或 运算发 *实现。
data1 torch.randint(0,10,[2,3])
data2 torch.randint(0,10,[2,3])
data3 data1.mul(data2)
data4 data1*data2
print(data1)
print(data2)
print(data3)
print(data4)输出结果
tensor([[4, 3, 8],[7, 4, 6]])
tensor([[0, 1, 9],[9, 8, 0]])
tensor([[ 0, 3, 72],[63, 32, 0]])
tensor([[ 0, 3, 72],[63, 32, 0]])1.3 矩阵运算
矩阵乘法运算要求第一个矩阵 shape: (n, m)第二个矩阵 shape: (m, p), 两个矩阵点积运算 shape 为: (n, p)。
运算符 用于进行两个矩阵的乘积运算torch.matmul对进行乘积运算的两矩阵形状没有限定.对数输入的 shape 不同的张量, 对应的最后几个维度必须符合 矩阵运算规则
data1 torch.tensor([[1, 2], [3, 4], [5, 6]])
data2 torch.tensor([[5, 6], [7, 8]])
print(data1---,data1)
print(data2---,data2)
data3 data1 data2
print(data3---,data3)
data4 torch.matmul(data1, data2)
print(data4---,data4)输出结果
data1--- tensor([[1, 2],[3, 4],[5, 6]])
data2--- tensor([[5, 6],[7, 8]])
data3--- tensor([[19, 22],[43, 50],[67, 78]])
data4--- tensor([[19, 22],[43, 50],[67, 78]])2. 张量运算函数
PyTorch 为每个张量封装了很多实用的计算函数
均值平方根求和指数计算对数计算等等
data torch.randint(1,10,[2,3],dtypetorch.float64)
print(data---,data)
# 1. 计算均值
# 注意tensor 必须为 Float 或者 Double 类型
print(均值,data.mean())
print(列计算均值,data.mean(dim0))
print(行计算均值,data.mean(dim0))
# 2. 计算总和
print(求和,data.sum())
print(列求和,data.sum(dim0))
print(行求和,data.sum(dim1))
# 3. 计算平方
print(平方,torch.pow(data,2))
# 4. 计算平方根
print(平方根,data.sqrt())
# 5. 指数计算e ^ n 次方
print(e ^ n 次方,data.exp())
# 6. 对数计算
print(e为底,data.log())
print(2为底,data.log2())
print(10为底,data.log10())输出结果
data--- tensor([[8., 6., 7.],[9., 3., 7.]], dtypetorch.float64)
均值 tensor(6.6667, dtypetorch.float64)
列计算均值 tensor([8.5000, 4.5000, 7.0000], dtypetorch.float64)
行计算均值 tensor([8.5000, 4.5000, 7.0000], dtypetorch.float64)
求和 tensor(40., dtypetorch.float64)
列求和 tensor([17., 9., 14.], dtypetorch.float64)
行求和 tensor([21., 19.], dtypetorch.float64)
平方 tensor([[64., 36., 49.],[81., 9., 49.]], dtypetorch.float64)
平方根 tensor([[2.8284, 2.4495, 2.6458],[3.0000, 1.7321, 2.6458]], dtypetorch.float64)
e ^ n 次方 tensor([[2980.9580, 403.4288, 1096.6332],[8103.0839, 20.0855, 1096.6332]], dtypetorch.float64)
e为底 tensor([[2.0794, 1.7918, 1.9459],[2.1972, 1.0986, 1.9459]], dtypetorch.float64)
2为底 tensor([[3.0000, 2.5850, 2.8074],[3.1699, 1.5850, 2.8074]], dtypetorch.float64)
10为底 tensor([[0.9031, 0.7782, 0.8451],[0.9542, 0.4771, 0.8451]], dtypetorch.float64)
