Pytorch 张量运算函数(补充)

于 2024-08-24 06:56:36 发布
阅读量551 收藏 10
点赞数 6
分类专栏： Pytorch 文章标签： pytorch 人工智能 python
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/bbaaa123/article/details/141479067
版权
mean()

mean()函数是进行张量均值计算的函数,常用参数可以设置参数dim来进行对应维度的均值计算

以下是使用一个二维张量进行演示的例子

import numpy as np
import torch
device = torch.device('mps' if torch.backends.mps.is_available() else 'cpu')
print(device
)
data1 = torch.randint(0,10,(2,3),dtype=torch.float).to(device)
print(data1)
print(data1.mean())
print(data1.mean(dim = 0))
print(data1.mean(dim = 1))
# mps
# tensor([[2., 8., 2.],
#         [7., 3., 7.]], device='mps:0')
# tensor(4.8333, device='mps:0')
# tensor([4.5000, 5.5000, 4.5000], device='mps:0')
# tensor([4.0000, 5.6667], device='mps:0')

可以看到在不指定dim维度的情况下,mean()函数会对所有张量元素进行求和后的均值计算,结果是一个标量张量

在指定了dim为0后,均值计算会沿着行方向去求每一列的均值

在指定了dim为1后,均值计算会沿着列方向去求每一行的均值

sum()

sum()函数为求和函数,同样类似于mean()函数,可以指定参数dim来进行指定维度上的求和计算

以下同样是一个二维张量的演示例子

import numpy as np
import torch
device = torch.device('mps' if torch.backends.mps.is_available() else 'cpu')
print(device
)
data1 = torch.randint(0,10,(2,3),dtype=torch.float).to(device)
print(data1)
print(data1.sum())
print(data1.sum(dim = 0))
print(data1.sum(dim = 1))
# mps
# tensor([[3., 4., 1.],
#         [8., 6., 0.]], device='mps:0')
# tensor(22., device='mps:0')
# tensor([11., 10.,  1.], device='mps:0')
# tensor([ 8., 14.], device='mps:0')

sum()函数在不指定dim的时候也是对所有张量元素求和计算

在指定了dim为0后,求和计算会沿着行方向去求每一列的和

在指定了dim为1后,求和计算会沿着列方向去求每一行的和

pow()

pow()函数是对张量进行幂次计算的函数,参数为指定指数值exponoent

import numpy as np
import torch
device = torch.device('mps' if torch.backends.mps.is_available() else 'cpu')
print(device
)
data1 = torch.randint(0,10,(2,3),dtype=torch.float).to(device)
print(data1)
print(data1.pow(2))
# mps
# tensor([[2., 5., 9.],
#         [4., 2., 7.]], device='mps:0')
# tensor([[ 4., 25., 81.],
#         [16.,  4., 49.]], device='mps:0')

上面的例子中指定了指数为2,底数为张量中的每个元素值

sqrt()

sqrt()函数是用于对张量进行开二次方根计算的,无需参数设置

import numpy as np
import torch
device = torch.device('mps' if torch.backends.mps.is_available() else 'cpu')
print(device
)
data1 = torch.randint(0,10,(2,3),dtype=torch.float).to(device)
print(data1)
print(data1.sqrt())
# mps
# tensor([[7., 6., 2.],
#         [6., 3., 9.]], device='mps:0')
# tensor([[2.6458, 2.4495, 1.4142],
#         [2.4495, 1.7321, 3.0000]], device='mps:0')

注意,由于sqrt函数无法进行高次方根的计算,所以若有高次方根的计算需求,可以依旧使用pow()函数进行计算,以下为三次方根的计算演示

import numpy as np
import torch
device = torch.device('mps' if torch.backends.mps.is_available() else 'cpu')
print(device
)
data1 = torch.randint(0,10,(2,3),dtype=torch.float).to(device)
print(data1)
print(data1.pow(1/3))
# mps
# tensor([[2., 7., 8.],
#         [1., 0., 1.]], device='mps:0')
# tensor([[1.2599, 1.9129, 2.0000],
#         [1.0000, 0.0000, 1.0000]], device='mps:0')
exp()

exp()函数适用于计算底数为e(约等于2.71828)的幂次计算,同样不需要参数指定,指数值就为张量的每个元素值.

import numpy as np
import torch
device = torch.device('mps' if torch.backends.mps.is_available() else 'cpu')
print(device
)
data1 = torch.randint(0,10,(2,3),dtype=torch.float).to(device)
print(data1)
print(data1.exp())
# mps
# tensor([[4., 3., 9.],
#         [0., 6., 9.]], device='mps:0')
# tensor([[5.4598e+01, 2.0086e+01, 8.1031e+03],
#         [1.0000e+00, 4.0343e+02, 8.1031e+03]], device='mps:0')
log()

log()函数是用于对数计算的函数,底数为e,为了方便更改底数常用的还有log2(底数为2),log10(底数为10)

import numpy as np
import torch
device = torch.device('mps' if torch.backends.mps.is_available() else 'cpu')
print(device
)
data1 = torch.randint(0,10,(2,3),dtype=torch.float).to(device)
print(data1)
print(data1.log())
print(data1.log2())
print(data1.log10())
# mps
# tensor([[0., 7., 8.],
#         [7., 0., 1.]], device='mps:0')
# tensor([[  -inf, 1.9459, 2.0794],
#         [1.9459,   -inf, 0.0000]], device='mps:0')
# tensor([[  -inf, 2.8074, 3.0000],
#         [2.8074,   -inf, 0.0000]], device='mps:0')
# tensor([[  -inf, 0.8451, 0.9031],
#         [0.8451,   -inf, 0.0000]], device='mps:0')

上面分别演示了log,log2,log10也就是底数分别为e,2,10的对数计算结果

在实际情况中我们可能对底数的选择更加灵活,如果要计算任意底数的对数,这里我们就可以用到下面的公式进行计算

\log_b(x) = \frac{\log_c(x)}{\log_c(b)}

这里对任意底数b进行对数计算,都可以转换成另一底数但是真数分别为原真数和广播后的原底数的商

import numpy as np
import torch
device = torch.device('mps' if torch.backends.mps.is_available() else 'cpu')
print(device
)
data1 = torch.randint(0,10,(2,3),dtype=torch.float).to(device)
print(data1)
print(data1.log()/torch.full_like(data1,3).log())
# mps
# tensor([[9., 1., 6.],
#         [4., 2., 3.]], device='mps:0')
# tensor([[2.0000, 0.0000, 1.6309],
#         [1.2619, 0.6309, 1.0000]], device='mps:0')

人工智障调包侠
关注
专栏目录
pytorch张量创建、变换
qq_40107571的博客
08-31 534
张量的创建、操作、变换
【PyTorch】torch.mean(), dim=0, dim=1 详解
CV前沿
03-25 2万+
创建一个tensor,这个tensor是一个元素类型为浮点型的2维数组 import torch s = torch.arange(6,dtype=float).reshape((2,3)) print(s) print(s.shape)# 查看tensor的形状 tensor([[0., 1., 2.], [3., 4., 5.]], dtype=torch.float64) torch.Size([2, 3]) dim属性的全称是dimension，表示维度。dim=0为第0个维度
pytorch tensor.mean中的dim
weixin_43490422的博客
04-12 2005
import torch a = torch.randn((2,3,2)) a = a.int() a = a.float() #为了简便起见，随机生成 print(a) print(a.mean(dim=(0,2))) print(a.mean(dim=(0,1))) tensor([[[ 0., 0.], [ 1., 0.], [ 0., -1.]], [[-1., 0.], [-1., 1.], [
PYTORCH中torch.mean(),dim=0,dim=1分别代表什么
xh777的博客
06-24 1568
torch.mean(),dim=0,dim=1
pytorch之torch.mean()
个人博客
05-24 2455
mean方法基本用法具体使用 基本用法 mean()是对张量进行求均值的方法，dim用来指定在指定维度上进行求平均。 具体使用 生成（3，2，1）维的张量 import torch test = torch.randint(1, 4, (3, 2, 1)).float() 不指定dim test1 = test.mean() 即对所有的张量进行求平均，结果为一个数值： 指定dim=1 在0,1，2三个维度中，dim=1的维度上求平均，结果中的dim=1的维度会因为已经求了平均而消失，因
Pytorch中的mean()
WangWen123_111的博客
02-23 1万+
x=torch.Tensor(range(1,17)) x=x.reshape(2,2,2,2) print('x: ',x) print('mean(0): ',x.mean(0)) print('mean(1): ',x.mean(1)) print('mean(2): ',x.mean(2)) print('mean(3): ',x.mean(3)) out: x: tensor([...
一文整理5个Pytorch张量乘法函数
hottie_xiaomiao的博客
04-19 5405
最近整理了Pytorch中5个常用的张量乘法函数和用法，建议收藏学习。
PyTorch张量
WhChina001的博客
12-17 666
Pytorch关于张量的相关基础知识。
pytorch中张量的运算
m0_45827246的博客
01-01 2954
在深度学习中，经常需要对张量做四则、线性变换和激活等。 1. 单个张量的函数运算 t = torch.rand(2, 2) # 产生一个3x3的张量 print(t) print(t.sqrt()) # 张量的平方根，张量内部方法 print(torch.sqrt(t)) # 张量的平方根，函数形式 print(t.sqrt_()) # 平方根原地操作 print(torch.sum(t)) # 所有元素求和 print(torch.sum(t, 0)) # 第0维元素求和 print(torc
pytorch 张量数学函数
最新发布
09-07
PyTorch 提供了丰富的张量数学函数，用于进行各种数学运算和操作。以下是一些常用的张量数学函数： 1. torch.add(input, other): 对两个张量进行按元素相加。 2. torch.sub(input, other): 对两个张量进行按元素...
关于pytorch中torch.mean函数在二维上的用法实例
热门推荐
demonszjin
04-27 4万+
x=torch.arange(15).view(5,3) x_mean=torch.mean(x,dim=0,keepdim=True) x_mean0=torch.mean(x,dim=1,keepdim=True) print('before bn:') print(x) print('x_mean:') print(x_mean) print('x_mean0:') print(x_mean...
2021-09-03
chengxin_2020926的博客
09-03 191
1.区别 keepdim=True 运算完之后的维度和原来一样，原来是三维数组现在还是三维数组（不过某一维度变成了1）； keepdim=False 运算完之后一般少一维度，求平均变为1的那一维没有了； axis=k 按第k维运算，其他维度不遍，第k维变为1。 import numpy as np x=[ [[1,2,3,4],[5,6,7,8],[9,10,11,12]], [[13,14,15,16],[17,18,19,20],[21,22,23,24]] ] x = np.array(x) x =
Python错误笔记（1）之Pytorch的mean()函数
lry320的博客
06-22 6159
TypeError: mean() received an invalid combination of arguments - got (axis=int, ) 运行程序 import torch A = torch.arange(20,dtype=torch.float32).reshape(5,4) #dtype=torch.float32防止numel()报错RuntimeError: Can only calculate the mean of floatingtypes. Got Lo.
Pytorch常用函数整理
LemonTree_Summer的博客
10-26 3775
1.torch.numel() 返回tensor变量内所有元素的个数，也可以简单理解为矩阵内yu元素的个数    例如，a的size为([64, 3, 7, 7])，那么a.numel() 返回值为64*3*7*7=9408 2.torch.squeeze() 将输入张量形状中的1去除并返回，如果输入是形如(Ax1xBx1xCx1xD)，那么输出形状就为(AxBxCxD) 3.torch...
我在读pyTorch文档（二）
aiqiu_gogogo的博客
11-27 9165
常用Torch自带Tensor处理函数 bool = torch.is_tensor(x)：判断x是否为pytorch张量； bool = torch.is_storage(x)：判断x是否为pytorch对象； N = torch.numel(x)：输出pytorch张量x的元素数； x = torch.eye(n)：输出n*n的二维单位矩阵； y = torch.from_numpy(x)：将n
Pytorch dim
zhaowangbo的博客
03-26 637
最近使用nn.softmax函数，会有dim= 这一个参数，这就是志明softmax作用的维度。 [batch_size, channel, h, w] dim=0 batch_size, dim=1channel，以此类推。 这里有一个地方比较容易混，举个例子[h, w]，分别代表行和列， dim=0表示作用在行维度上，即对同一列求softmax dim=1表示作用在列维度上，即对同一行求sof...
PyTorch学习
omnispace的博客
09-21 1万+
一、PyTorch介绍 1、说明 PyTorch 是 Torch 在 Python 上的衍生（Torch 是一个使用 Lua 语言的神经网络库）和tensorflow比较 PyTorch建立的神经网络是动态的Tensorflow是建立静态图Tensorflow 的高度工业化, 它的底层代码是很难看懂的.PyTorch 好那么一点点, 如果你深入 API, 你至少能比看 T
PyTorch使用torch.sort()函数来筛选出前k个最大的项或者筛选出前k个最小的项
敲代码的小风
12-26 4150
Microsoft Windows [版本 10.0.18363.1256] (c) 2019 Microsoft Corporation。保留所有权利。 C:\Users\chenxuqi>conda activate ssd4pytorch1_2_0 (ssd4pytorch1_2_0) C:\Users\chenxuqi>python Python 3.7.7 (default, May 6 2020, 11:45:54) [MSC v.1916 64 bit (AMD64)] ::
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