莱芜信息招聘平台,宁波网站建设优化,珠海市品牌网站建设哪家好,嘉兴网页设计培训PyTorch的基本概念
Tensor的基本概念
张量高于标量、向量、矩阵 标量说零维的张量#xff0c;向量是一维的张量#xff0c;矩阵是二维的张量
Tensor与机器学习的关系 Tensor的创建
函数功能Tensor(*size)基础构造函数Tensor(data)类似np.arrayones(*size)全1Tensorzeros(…PyTorch的基本概念
Tensor的基本概念
张量高于标量、向量、矩阵 标量说零维的张量向量是一维的张量矩阵是二维的张量
Tensor与机器学习的关系 Tensor的创建
函数功能Tensor(*size)基础构造函数Tensor(data)类似np.arrayones(*size)全1Tensorzeros(*size)全0Tensoreye(*size)对角线为1其他为0arange(s,e,step)从s到e步长为steplinspace(s,e,steps)从s到e均匀切分成steps份rand/randn(*size)均匀/标准分布normal(mean,std)/uniform_(from,to)正态分布/均匀分布randperm(m)随机排列
实例 随机数 正态分布 标准分布 序列
Tensor的属性
每一个Tensor有torch.dtype、torch.device、torch.layout三种属性torch.device 标识了torch.Tensor对象在创建之后所存储在的设备名称torch.layout表示torch.Tensor内存布局的对象
torch.tensor([1,2,3],dtypetorch.float32,devicetorch.device(cpu))稀疏的张量
torch.sparse_coo_tensorcoo类型表示了非零元素的坐标形式
indices torch.tensor([0,1,1],[2,0,2]])
values torch.tensor([3,4,5],dtypetorch.float32)
x torch.sparse_coo_tensor(i,v,[2,4])dev torch.device(cpu)
torch.tensor([2,2],devicedev)
torch.tensor([2,2],dtypetorch.float32,devicedev)稀疏的张量
itorch.tensor([[0,1,2],[0,1,2]])
vtorch.tensor([1,2,3])
torch.sparse_coo_tensor(i,v,(4,4))转成稠密的张量
torch.sparse_coo_tensor(i,v,(4,4)).to_dense()Tensor的算术运算
加法运算
cab
ctorch.add(a,b)
a.add(b)
a.add_(b)#会修改a的值减法运算
ca-b
ctorch.sub(a,b)
a.sub(b)
a.sub_(b)#会修改a的值乘法运算
哈达玛积element wise对应元素相乘
ca*b
ctorch.mul(a,b)
a.mul(b)
a.mul_(b)除法运算
ca/b
ctorch.div(a,b)
a.div(b)
a.div_(b)矩阵运算
二维矩阵乘法运算操作包括torch.mm()、torch.matmul()、
atorch.ones(2,1)
btorch.ones(1,2)
print(torch.mm(a,b))
print(torch.matmul(a,b))
print(ab)
print(a.matmul(b))
print(a.mm(b))对于高维的Tensordim2定义其矩阵乘法仅在最后的两个维度上要求前面的维度必须保持一致就像矩阵的索引一样并且运算操作只有torch.matmul()
atorch.ones(1,2,3,4)
btorch.ones(1,2,4,3)
print(a.matmul(b))
print(torch.matmul(a,b))幂运算
print(torch.pow(a,2))
print(a.pow(2))
print(a**2)
print(a.pow_(2))e的n次方
print(torch.exp(a))
ba.exp_()开方运算
a.sqrt()
a.sqrt_()对数
torch.log2(a)
torch.log10(a)
torch.log(a)
torch.log_(a)Tensor的取整/取余运算
.floor()向下取整数.ceil()向上取整数.round()四舍五入.trunc()裁剪只取整数部分.frac()只取小数部分%取余 Tensor的比较运算
torch.eq(input,other, outNone) #按成员进行等式操作相同返回True
torch.equal(tensor1,tensor2) #如果tensor1和tensor2有相同的size和elements则为true
torch.ge(input, other, outNone) #input other
torch.gt(input, other, outNone) #inputother
torch.le(input, other, outNone) #inputother
torch.lt(input, other, outNone) #inputother
torch.ne(input, other, outNone) #input ! other 不等于排序
torch.sort(input, dimNone, descendingFalse, outNone)
#对目标input进行排序
torch.topk(input, k,dimNone, largestTrue, sortedTrueoutNone)
#沿着指定维度返回最大k个数值及其索引值
torch.kthvalue(input, k, dimNone, outNone)
#沿着指定维度返回第k个最小值及其索引值Tensor判定是否为finite/inf/nan
torch.isfinite(tensor)/torch.isinf(tensor)/torch.isnan(tensor) 返回一个标记元素是否为 finite/inf/nan 的mask 张量
Tensor的三角函数
torch.abs(input, outNone)torch.acos(input, outNone)torch.asin(input, outNone)torch.atan(input, outNone)torch.atan2(input, inpu2outNone)torch.cos(input, outNone)torch.cosh(input, outNone)torch.sin(input, outNone)torch.sinh(input, outNone)torch.tan(input, outNone)torch.tanh(input, outNone)
