线性代数

  在深度学习的  数据操作  章节存在与本章大量重复的内容，下面只介绍未重复的几点。

1.转置

    A.T              A为张量名，T为转置函数，运行结果为交换矩阵的行和列，即转置

A = torch.arange(20).reshape(5, 4)
print(A)
print(A.T)

tensor([[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11],
        [12, 13, 14, 15],
        [16, 17, 18, 19]])
tensor([[ 0,  4,  8, 12, 16],
        [ 1,  5,  9, 13, 17],
        [ 2,  6, 10, 14, 18],
        [ 3,  7, 11, 15, 19]])

2.clone()

用于创建并返回一个对象的副本，这个副本具有和原始对象相同的数据，但是是一个新的对象，对其进行修改不会影响原始对象。

A.clone()                        A为原始对象名，clone()创建副本，中间用  “ . ”  连接。

 3.降维求和以及求平均值

A.num(axis=?)               元素求和 ， “？” 为轴

A.mean()   ==   A.num()/A.numel()           求平均值的函数  或  元素求和除以总数

4.非降维求和

sum_A = A.sum(axis=1, keepdims=True)

如果我们想沿某个轴计算A元素的累积总和， 比如axis=0（按行计算），可以调用cumsum函数。 此函数不会沿任何轴降低输入张量的维度。

A = torch.arange(20).reshape(5,4)
print(A.cumsum(axis=0))


tensor([[ 0.,  1.,  2.,  3.],
        [ 4.,  6.,  8., 10.],
        [12., 15., 18., 21.],
        [24., 28., 32., 36.],
        [40., 45., 50., 55.]])

 5.点积

torch.dot(x,y)

x = torch.arange(4, dtype = torch.float32)
y = torch.ones(4, dtype = torch.float32)
print(torch.dot(x,y))


tensor(6.)

注意，我们可以通过执行按元素乘法，然后进行求和来表示两个向量的点积：

x = torch.arange(4, dtype = torch.float32)
y = torch.ones(4, dtype = torch.float32)
print(torch.sum(x * y))


tensor(6.)

 

6.矩阵-向量积

 在代码中使用张量表示矩阵-向量积，我们使用mv函数。 当我们为矩阵A和向量x调用torch.mv(A, x)时，会执行矩阵-向量积。 注意，A的列维数（沿轴1的长度）必须与x的维数（其长度）相同。

torch.mv(A,x)            矩阵A，向量x

7.矩阵-矩阵相乘

torch.mm(A,B)          A,B为矩阵

A = torch.arange(20,dtype=torch.float32).reshape(5,4)
B = torch.ones(4, 3)
print(torch.mm(A, B))


tensor([[ 6.,  6.,  6.],
        [22., 22., 22.],
        [38., 38., 38.],
        [54., 54., 54.],
        [70., 70., 70.]])

8.范数   （未学）