torch.cumsum

BILLY BILLY

于 2024-09-16 13:58:23 发布

阅读量12

点赞数

分类专栏： torch基础文章标签： pytorch python

本文链接：https://blog.csdn.net/m0_51579041/article/details/142302076

版权

torch基础专栏收录该内容

10 篇文章 0 订阅

订阅专栏

import torch
a1 = torch.arange(0, 10).view(2, 5)
print(a1)
b1 = torch.cumsum(a1, dim=0)
c1 = torch.cumsum(a1, dim=1)
d1 = torch.cumsum(a1, dim=-1)
print(b1)
print(c1)
print(d1)

在这里插入图片描述

关注博主即可阅读全文

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

BILLY BILLY

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
打赏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录

TensorFlow函数 tf.cumsum及应用举例

libertatis的专栏

03-05

9211

tf.cumsumcumsum( x, axis=0, exclusive=False, reverse=False, name=None )函数 cumsum 是 cumulative sum缩写，计算累积和，即沿着tensor（张量）x的某一个维度axis，计算累积和。参数解释：— x, 即我们要计算累积和的tensor。— axis=0, 默...

torch.cumsum()

qq_39398917的博客

06-06

891

总之,torch.cumsum()是一个简单但非常实用的函数,可以计算张量的元素累积和,应用在许多领域中。行1加到行2: 1 + 4 = 5;2 + 5 = 7;列2加到列3: 3 + 3 = 6；9 + 6 = 15。列1加到列2: 1 + 2 = 3；作用：用于计算张量中的元素累积和。行1不变：1，2，3。

参与评论您还未登录，请先登录后发表或查看评论

剖析 | torch.cumsum维度详解

热门推荐

以秘

03-09

2万+

最近看别人代码的时候看到这么一个函数，一看吧，感觉是个求和的函数，毕竟有sum这种，可能性还是比较大，于是准备深入看看，具体是干嘛的。 1.写法。先不管结果如何，代码得先写出来。函数原型： torch.cumsum(input, dim, *, dtype=None, out=None) → Tensor 返回维度dim中输入元素的累计和。【功能：累加】例如，如果输入是大小为N的向量，则结果也将是大小为N的带有元素的向量。【运算后维度不变】说明必须要有两个参数，一个是tensor类型的

torch中torch.cumsum（）的使用

weixin_43679674的博客

05-14

3393

看别人的文章转载的： 1.写法。先不管结果如何，代码得先写出来。函数原型： torch.cumsum(input, dim, *, dtype=None, out=None) → Tensor 返回维度dim中输入元素的累计和。【功能：累加】例如，如果输入是大小为N的向量，则结果也将是大小为N的带有元素的向量。【运算后维度不变】说明必须要有两个参数，一个是tensor类型的输入，也就是数据，另外一个是操作的维度，这也是今天的核心，很多人在维度上是不理解的，或者说是混淆的。第一种写法（官网）： tor

torch.cumsum(),torch.sum()

绿箭薄荷的博客

01-10

1302

dtype声明为torch.long 则数据类型为int 64 torch.tensor 默认为torch.FloatTensor是32位浮点类型数据

class QuickCumsum(torch.autograd.Function): @staticmethod def forward(ctx, x, geom_feats, ranks): x = x.cumsum(0) kept = torch.ones(x.shape[0], device=x.device, dtype=torch.bool) kept[:-1] = (ranks[1:] != ranks[:-1]) x, geom_feats = x[kept], geom_feats[kept] x = torch.cat((x[:1], x[1:] - x[:-1])) # save kept for backward ctx.save_for_backward(kept) # no gradient for geom_feats ctx.mark_non_differentiable(geom_feats) return x, geom_feats @staticmethod def backward(ctx, gradx, gradgeom): kept, = ctx.saved_tensors back = torch.cumsum(kept, 0) back[kept] -= 1 val = gradx[back] return val, None, None什么意思？

06-12

通过 torch.ones 函数创建了一个形状为 x.shape[0] 的张量 kept，然后将 kept 的前 n-1 个元素设置为 True 或 False，表示是否需要保留。最后，根据 kept 张量来选择需要保留的 x 和 geom_feats，然后计算差分，得到...

def compute_mAP(trn_binary, tst_binary, trn_label, tst_label): """ compute mAP by searching testset from trainset https://github.com/flyingpot/pytorch_deephash """ for x in trn_binary, tst_binary, trn_label, tst_label: x.long() AP = [] Ns = torch.arange(1, trn_binary.size(0) + 1) Ntest = torch.arange(1, tst_binary.size(0) + 1) print("trn_binary.size(0):",trn_binary.size(0)) print("tst_binary.size(0):", tst_binary.size(0)) print("Ns:",Ns) print("Ns:", Ntest) # print("Ns(train):",Ns) for i in range(tst_binary.size(0)): query_label, query_binary = tst_label[i], tst_binary[i] # 把测试图像编码和标签赋值给->查询图像编码和标签 _, query_result = torch.sum((query_binary != trn_binary).long(), dim=1).sort() # 判断查询图像编码是否等于训练图像编码，相等的总和，并排序。 print("查询标签-----------------------------------------------------：",query_label) print("查询二进制：", query_binary) print(len(query_binary)) print("查询结果：",query_result) print("是否相等：",query_binary != trn_binary) print("查询结果1：", torch.sum((query_binary != trn_binary).long(), dim=1)) print("查询结果2：",torch.sum((query_binary != trn_binary).long(), dim=1).sort()) correct = (query_label == trn_label[query_result]).float() # 正确匹配的二进制编码个数 print("trn_label[query_result]:",trn_label[query_result]) num_ones = torch.sum(correct == 1) print("查询正确的个数：",num_ones) print("查询正确：",correct) P = torch.cumsum(correct, dim=0) / Ns print("torch.cumsum(correct, dim=0)",torch.cumsum(correct, dim=0)) print("查询正确/Ns",torch.Tensor(P)) #每个位置的精度 P AP.append(torch.sum(P * correct) / torch.sum(correct)) # print("---:",AP) acc = num_ones / tst_binary.size(0) print("ACC================================== ", acc) mAP = torch.mean(torch.Tensor(AP)) return mAP 请问怎么将这段代码改成EER评估指标的代码

07-12

要将这段代码改为计算EER评估指标的代码，你需要进行以下修改： 1. 引入所需的库：添加 `from sklearn.metrics import roc_curve, auc` 来计算ROC曲线和AUC。 2. 修改函数定义：将函数名改为 `calculate_eer`，并将...

class VoxelsSumming(torch.autograd.Function): """Adapted from https://github.com/nv-tlabs/lift-splat-shoot/blob/master/src/tools.py#L193""" @staticmethod def forward(ctx, x, geometry, ranks): """The features `x` and `geometry` are ranked by voxel positions.""" # Cumulative sum of all features. x = x.cumsum(0) # Indicates the change of voxel. mask = torch.ones(x.shape[0], device=x.device, dtype=torch.bool) mask[:-1] = ranks[1:] != ranks[:-1] x, geometry = x[mask], geometry[mask] # Calculate sum of features within a voxel. x = torch.cat((x[:1], x[1:] - x[:-1])) ctx.save_for_backward(mask) ctx.mark_non_differentiable(geometry) return x, geometry @staticmethod def backward(ctx, grad_x, grad_geometry): (mask,) = ctx.saved_tensors # Since the operation is summing, we simply need to send gradient # to all elements that were part of the summation process. indices = torch.cumsum(mask, 0) indices[mask] -= 1 output_grad = grad_x[indices] return output_grad, None, None这个方法是如何计算BEV的？

06-12

这个方法是用来计算Bird's Eye View (BEV)的。BEV是一种将三维点云投影到二维平面上的方法，常用于自动驾驶领域。该方法中，输入的`x`和`geometry`都是按照体素位置进行排列的。在前向传递中，`x`进行了累加和操作，...

torch.stack()方法在数据集构造中的应用

大多_C的博客

09-10

486

是沿着新维度将多个张量堆叠在一起，适用于将同一维度的张量变成更高维的张量。是沿着已有维度进行拼接，适用于将多个张量在某个维度上合并。在你的任务中，可以将<e1:xxx>和<e2:xxx>的向量拼接成一个更长的向量，用于后续处理。

Pytorch是如何做显存管理的

思念殇千寻的博客

09-14

361

　　参考资料：　　GPT的回答　　自己的实验结果　　之前自己在用Pytorch跑模型训练的时候产生了如下一系列问题：1)Pytorch使用的cuda显存什么时候释放 2)什么时候会导致显存堆积 3)如何监控显存的使用。经过查找资料后找到了这些问题的答案，现在记录在此：　　1. Pytorch使用的cuda显存什么时候释放？　　我给出的答案很坑，即一般是不会主动释放的。在跑训练代码的时候...

动手学深度学习（pytorch）学习记录25-汇聚层(池化层)[学习记录]

weixin_50995339的博客

09-09

700

定义一个池化操作，X是张量，pool_size是汇聚层大小，mode默认为max即输出为输入区域的最大值，mode设置为avg时，输出为输入区域的平均值。默认情况下，深度学习框架中的步幅与汇聚窗口的大小相同，如果使用形状为(3,3)的汇聚层窗口，则得到的步幅大小为(3,3)。汇聚层和卷积层的运动方式一样，从左上角向右下角移动指定步幅，汇聚层执行的是“采样”操作。汇聚层是没有参数的。在通道维度上连结张量X和X + 1，以构建具有2个通道的输入。降低卷积层对位置的敏感性，同时降低对空间降采样表示的敏感性。

动手学深度学习（pytorch）学习记录27-深度卷积神经网络(AlexNet)[学习记录]

weixin_50995339的博客

09-10

1349

AlexNet 是由 Alex Krizhevsky、Ilya Sutskever 和 Geoffrey Hinton 在 2012 年提出的深度卷积神经网络，它在当年的 ImageNet 大规模视觉识别挑战赛（ILSVRC）中取得了显著的成绩，从而引起了深度学习和卷积神经网络（CNN）在计算机视觉领域的广泛关注。AlexNet 的成功不仅推动了深度学习在图像识别领域的研究，也为后续的深度学习模型，如 VGG、GoogLeNet 和 ResNet 等奠定了基础。它的出现是深度学习历史上的一个重要里程碑。

动手学深度学习（pytorch土堆）-03常见的Transforms

凯的博客

09-11

455

transforms.Resize 是 PyTorch 中 torchvision.transforms 模块的一个变换操作，用于调整图像的大小。它可以将输入图像调整为指定的尺寸，通常用于图像预处理以确保所有输入图像具有相同的尺寸，这对深度学习模型的输入非常重要。transforms.Compose 是 PyTorch 中的一个函数，用于将多个图像变换操作组合在一起，形成一个变换流水线。这些操作会按照给定的顺序依次作用在输入的图像上。如果是单个整数：将按保持宽高比的方式调整图像，较短的一边将被调整为该值。

动手学深度学习（pytorch）学习记录29-网络中的网络(NiN)[学习记录]

weixin_50995339的博客

09-12

782

网络中的网络（Network in Network，简称NiN）是一种经典的卷积神经网络结构，由Min Lin等人在2013年提出。NiN的核心思想是在传统的卷积神经网络中引入小型的多层感知机（MLP），以增强网络的特征提取能力。NiN的主要特点包括：MLP卷积层（MLP Convolution Layers）：NiN通过在卷积层之间加入小型的MLP网络来提取更抽象的特征。这些MLP网络实际上是1x1卷积层，它们可以在保持空间结构的同时，对每个像素位置的通道进行全连接操作。

【PyTorch单点知识】深入了解 nn.ModuleList和 nn.ParameterList模块：灵活构建动态网络结构

m0_49963403的博客

09-12

827

PyTorch中的nn.Modulelist和nn.ParameterList介绍

torch.linspace() torch.arange() torch.stack() 函数详解

m0_51579041的博客

09-13

241

torch.linspace() torch.arange() torch.stack()

pytorch快速入门（一）—— 基本工具及平台介绍