torch.enisum爱因斯坦求和

最新推荐文章于 2024-07-13 12:06:45 发布
最新推荐文章于 2024-07-13 12:06:45 发布
阅读量614 收藏 2
点赞数
文章标签： 人工智能 神经网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/agoodboy1997/article/details/109865524
版权
本文是初学者对PyTorch中Einstein求和（torch.einsum）的入门教程，详细介绍了如何进行矩阵转置、全部元素求和、行维度求和以及矩阵对应维度相乘的广播操作，旨在帮助理解这一强大的数学运算工具在神经网络中的应用。
摘要由CSDN通过智能技术生成

初次学习用于记录
1.转置
Bij = Aij

import torch
import tsensor
h = torch.Tensor([[1,2],[3,4]])
with tsensor.clarify():
    h = torch.einsum('ij->ji',h)
    print(h)

输出：tensor([[1., 3.], [2., 4.]])

2.全部元素求和

h
最低0.47元/天 解锁文章
agoodboy1997
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
torch.einsum.docx
09-16
torch.einsum
基于torch.where和布尔索引的速度比较
09-18
今天小编就为大家分享一篇基于torch.where和布尔索引的速度比较，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
【torch.einsum】
这个人很蓝
02-17 623
参考：https://www.cnblogs.com/mengnan/p/10319701.html 爱因斯坦简记法，能简洁表示各种矩阵向量的操作，例如矩阵转置、乘法、求和等等，pytorch中调用API为torch.einsum，第一个参数是字符串，表示对张量的操作，定义不同字符串表示不同操作 例子 矩阵转置 字符串为ij->ji，表示将张量中的元素ij（第i行第j列）变成元素ji a = torch.tensor([ [1, 2], [2, 3], [4, 5],
torch.einsum()
最新发布
weixin_44012667的博客
07-13 401
是 PyTorch 中一个功能强大的函数，用于执行爱因斯坦求和约定（Einstein summation convention）。这个函数可以用来进行多维数组（张量）间的各种操作，如矩阵乘法、内积、外积、转置和更多复杂的张量操作。
Pytorch中, torch.einsum详解。
热门推荐
a2806005024的专栏
07-19 7万+
爱因斯坦简记法：是一种由爱因斯坦提出的，对向量、矩阵、张量的求和运算的求和简记法。 在该简记法当中，省略掉的部分是：1）求和符号与2）求和号的下标 省略规则为：默认成对出现的下标（如下例1中的i和例2中的k）为求和下标。 我们举例说明： 1）用简化表示内积 其中o为输出。 2) 用简化表示矩阵乘法 其中为输出矩阵的第ij个元素。 这样的求和简记法，能够以一种统一的方...
torch.einsum详解
mytzs123的博客
06-05 7775
举例：
PyTorch的torch.cat用法
09-16
PyTorch中的`torch.cat`函数是一个非常重要的操作，它用于将多个张量沿着指定的维度进行拼接。这个函数在构建复杂的神经网络模型，特别是在处理图像数据和序列数据时非常常用。下面我们将详细探讨`torch.cat`的使用...
python torch.utils.data.DataLoader使用方法
09-17
`torch.utils.data.DataLoader`是PyTorch框架中用于高效加载和处理数据的关键组件。它在机器学习模型的训练过程中起着至关重要的作用，因为它的功能包括数据分批、数据预处理、多线程加载以及可选的随机打乱顺序等。...
PyTorch里面的torch.nn.Parameter()详解
09-18
在PyTorch中，`torch.nn.Parameter()`是一个非常关键的类，它用于创建可学习的参数。这些参数通常是神经网络模型中的权重和偏置，它们在训练过程中会被优化算法更新以最小化损失函数。本文将深入探讨`torch.nn....
浅谈pytorch torch.backends.cudnn设置作用
12-20
在PyTorch中，`torch.backends.cudnn`是一组用于控制CuDNN（NVIDIA CUDA Deep Neural Network库）行为的设置。CuDNN是一个针对深度神经网络（DNN）的高度优化库，它提供了大量的GPU加速功能，以提高深度学习模型的...
PyTorch之爱因斯坦求和约定
画心
08-30 2780
PyTorch之爱因斯坦求和约定 文章目录PyTorch之爱因斯坦求和约定关于`einsum`维度记忆的小技巧 网上关于这个函数：torch.einsum的介绍已经很多了，这里列出我重点看过的一篇文章。 einsum满足你一切需要：深度学习中的爱因斯坦求和约定 这篇文章写的非常棒，很详细。 这里写个简单的例子，对于论文A Gift from Knowledge Distillation: Fa...
torch.einsum[爱因斯坦求和]//未完待续
To be a better man
06-15 435
​ 入门 爱因斯坦简记法：是一种由爱因斯坦提出的，对向量、矩阵、张量的求和运算∑的求和简记法。 在该简记法当中，省略掉的部分是：1)求和符号∑与2)求和号的下标i 省略规则为：默认成对出现的下标（如下例1中的i和例2中的k）为求和下标。//讲 ​...
pytorch中einsum详解
欢迎来到道的世界
12-20 4510
引言  在线性代数里，经常会遇到各种计算操作符号，比如矩阵的点积，外积，HHH积，KKK积，转置等。爱因斯坦求和约定提供了一套简单优雅的规则可以实现以上操作，目的是省略掉求和公式中的求和号“+”。 定义（爱因斯坦求和约定）：如果两个相同的指标出现在指标符号公式的同一项中，则表示对该指标遍历整个取值范围求和。 爱因斯坦求和约定具体的规则可以归结为如下几条 在同一项中，如果同一指标成对出现，就表示遍历其取值范围求和 公式中成对出现的指标叫做哑指标亦或哑标，表示哑标的小写字母可以用另一个小写字母替换，并且
torch.einsum用法详解
bj_zhb的博客
03-20 6184
是PyTorch中的一个函数，用于执行爱因斯坦求和约定（Einstein summation）运算。它提供了一种灵活而强大的方式来执行多维张量的操作和变换。其中，equation是一个字符串，用于指定爱因斯坦求和约定的运算方式，operands是一个或多个输入张量。在equation中，你可以使用大写字母表示张量的维度标识符，使用小写字母表示对应维度的长度。通过指定输入张量和输出张量之间的维度关系，你可以定义所需的运算操作。下面是一个简单的例子，展示了如何使用# 两个向量的点积。
torch.einsum函数笔记(爱因斯坦求和约定)
薛定谔的猫头咕咕咕
03-23 1589
爱因斯坦求和约定   爱因斯坦求和约定是可以将许多矩阵运算(向量内积、矩阵装置、高维矩阵乘法)简化的一套规则；利用这个函数，可以很方便地实现一些复杂的操作，同时使得代码紧凑； ...
有趣的torch.einsum
u011994454的博客
10-15 413
import torch import numpy as np a = torch.arange(9).reshape(3, 3) 提取矩阵对角线元素 out = torch.einsum('ii->i', a) # tensor([0, 4, 8]) 矩阵转置 out = torch.einsum('ij->ji', a) out = torch.einsum('...ij->...ji', a) # 高维矩阵最后两维转置 reduce sum out = torch.einsum
PYTORCH torch.einsum 函数
zl_gao的搬砖记录
09-10 1947
以爱因斯坦求和的形式任意定义想要进行的矩阵乘法的操作，可以内部指定输出转置，功能多样，形式灵活。 #theta_phi: nxtxg #g: nxcxg output = torch.einsum('ntg, ncg->nct', theta_phi, g) #output: nxcxt
torch.mean torch.stack
09-14
这些函数可以对使用torch.stack函数创建的张量进行相应的最大值、平均值和求和操作。 综上所述，torch.mean函数用于计算张量的均值，torch.stack函数用于将多个张量按照指定维度进行堆叠。这两个函数可以在PyTorch...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值