张量运算简介 - PyTorch

张量是PyTorch中最基本的数据结构，用于存储和操作多维数组。它们在深度学习中起着关键的作用，因为几乎所有的深度学习模型都是基于张量的。

在本篇博客中，我们将介绍一些常见的张量运算，以及如何在PyTorch中使用这些运算进行数据处理和模型训练。

目录

一、创建张量

二、张量运算

加法

乘法

广播

其他常见运算

总结

---

一、创建张量

首先，让我们看看如何创建张量。在PyTorch中，可以使用torch.tensor()函数来从Python列表或NumPy数组创建张量。

import torch

# 从Python列表创建张量
t1 = torch.tensor([1, 2, 3])

# 从NumPy数组创建张量
import numpy as np
arr = np.array([4, 5, 6])
t2 = torch.tensor(arr)

print(t1)
print(t2)

二、张量运算

 接下来，我们将介绍一些常见的张量运算。

加法

张量加法是指两个张量相应元素之间的逐元素相加。这要求两个张量具有相同的形状。

import torch

t1 = torch.tensor([1, 2, 3])
t2 = torch.tensor([4, 5, 6])

t3 = t1 + t2

print(t3)

乘法

张量乘法可以是逐元素相乘，也可以是矩阵乘法。对于逐元素乘法，两个张量必须具有相同的形状。

import torch

t1 = torch.tensor([1, 2, 3])
t2 = torch.tensor([4, 5, 6])

# 逐元素相乘
t3 = t1 * t2

print(t3)

 对于矩阵乘法，可以使用torch.matmul()函数或@运算符。

import torch

t1 = torch.tensor([[1, 2], [3, 4]])
t2 = torch.tensor([[5, 6], [7, 8]])

# 矩阵乘法
t3 = torch.matmul(t1, t2)

print(t3)

广播

广播是指在执行逐元素运算时，自动调整张量的形状以匹配较大张量的形状。

import torch

t1 = torch.tensor([1, 2, 3])
t2 = torch.tensor(4)

# 广播 t2 的值到与 t1 相同的形状
t3 = t1 + t2

print(t3)

其他常见运算

除了加法和乘法，PyTorch还支持许多其他常见的张量运算，例如减法、除法、取余数、求平方根等。你可以在官方文档中查看完整的列表。

---

总结

在本篇博客中，我们介绍了如何创建张量以及一些常见的张量运算。这些是深度学习中基础的操作，对于数据处理和模型训练非常重要。

希望这篇博客对你有所帮助！如果你对其他PyTorch的功能感兴趣，可以继续学习官方文档和示例代码。