线性代数 pytorch

A = torch.arange(20, dtype=torch.float32).reshape(5, 4)
(tensor([[ 0.,  1.,  2.,  3.],
         [ 4.,  5.,  6.,  7.],
         [ 8.,  9., 10., 11.],
         [12., 13., 14., 15.],
         [16., 17., 18., 19.]]),
B = A.clone()  # 通过分配新内存，将A的一个副本分配给B
A * B#对应元素相乘
x = torch.arange(4, dtype=torch.float32)
x.sum()#对张量的元素进行求和
A_sum_axis0 = A.sum(axis=0)#对所有行的元素来求和降维
A_sum_axis0, A_sum_axis0.shape
#结果为 (tensor([40., 45., 50., 55.])
A.numel()#求A中元素数量
A.mean(axis=0)#对列求和，在求平均值, A.sum(axis=0) / A.shape[0]#表示矩阵的行数

#调用函数来计算总和或均值时保持轴数不变会很有用
sum_A = A.sum(axis=1, keepdims=True)
#结果为tensor([[ 6.],
#        [22.],
#        [38.],
#        [54.],
#       [70.]])
A.cumsum(axis=0)
#结果为：tensor([[ 0.,  1.,  2.,  3.],
#       [ 4.,  6.,  8., 10.],第一行加第二行
#        [12., 15., 18., 21.],第三行加第二行
#        [24., 28., 32., 36.],  .....
#        [40., 45., 50., 55.]])  ...

y = torch.ones(4, dtype = torch.float32)
x, y, torch.dot(x, y)#同torch.sum(x * y)
#结果：(tensor([0., 1., 2., 3.]), tensor([1., 1., 1., 1.]), tensor(6.))

A.shape, x.shape, torch.mv(A, x)#矩阵-向量积
结果为：tensor([ 14.,  38.,  62.,  86., 110.])
#L2范数是向量元素平方和的平方根
u = torch.tensor([3.0, -4.0])
torch.norm(u)#结果为5
#L1范数向量元素的绝对值之和
torch.abs(u).sum()
#Frobenius范数（Frobenius norm）是矩阵元素平方和的平方根
torch.norm(torch.ones((4, 9)))#结果为 6

自动求导例题：
import torch
import numpy as np
import matplotlib.pyplot as plt

x=torch.arange(0.,10.,0.1)
print(x)
x.requires_grad_(True)
x1=x.detach()#x在进行求导之后，值就会发生变化，提前为绘图保存一下
y=torch.sin(x)
print(y)
y.sum().backward()
plt.plot(x1,x.grad)
plt.show()