torch.randn()、torch.mean()、torch.pow()、torch.matmul()

torch.randn()

产生大小为指定的，正态分布的采样点，数据类型是tensor

torch.mean()

torch.mean(input) 输出input 各个元素的的均值，不指定任何参数就是所有元素的算术平均值，指定参数可以计算每一行或者 每一列的算术平均数

例如：

a=torch.randn(3)  #生成一个一维的矩阵
b=torch.randn(1,3)  #生成一个二维的矩阵
print(a)
print(b)
torch.mean(a)

结果：

tensor([-1.0737, -0.8689, -0.9553])
tensor([[-0.4005, -0.6812,  0.0958]])

tensor(-0.9659)

如果指定参数的话，

a=torch.randn(4,4)
print(a)
c=torch.mean(a,dim=0,keepdim=True)
print(c)
d=torch.mean(a,dim=1,keepdim=True)
print(d)

结果：

tensor([[ 0.2378, -1.1380,  0.7964, -0.1413],
        [ 0.4622, -1.7003, -1.1628,  0.8930],
        [-2.0379, -1.7137,  0.6423, -0.2026],
        [ 0.3512, -0.1251, -0.8315,  2.2642]])

tensor([[-0.2467, -1.1693, -0.1389,  0.7033]])

tensor([[-0.0612],
        [-0.3770],
        [-0.8280],
        [ 0.4147]])

可以看到dim指定为1时，求得是行的平均值，指定为0时，求得是列的平均值。

 

torch.pow()

对输入的每分量求幂次运算

a=torch.tensor(3)
b=torch.pow(a,2)
print(b)
c=torch.randn(4)
print(c)
d=torch.pow(c,2)
print(d)

结果：

tensor(9)
tensor([ 0.0923,  0.7006, -0.2963,  0.6543])
tensor([0.0085, 0.4909, 0.0878, 0.4282])

torch.matmul()

torch.matmul 是做矩阵乘法

例如：

a=torch.tensor([1,2,3])
b=torch.tensor([3,4,5])
torch.matmul(a, b)

结果：

tensor(26)

torch.ones_like()

torch.ones_like(input, dtype=None, layout=None, device=None, requires_grad=False) → Tensor

返回一个填充了标量值1的张量，其大小与之相同 input。

我是在Pytorch自动求导中第一次发现此方法的，

例如：

import torch
from torch.autograd import Variable
m = Variable(torch.FloatTensor([[2, 3]]), requires_grad=True) # 构建一个 1 x 2 的矩阵
n = Variable(torch.zeros(1, 2)) # 构建一个相同大小的 0 矩阵
print(m)
print(n)
# 通过 m 中的值计算新的 n 中的值
n[0, 0] = m[0, 0] ** 2
n[0, 1] = m[0, 1] ** 3
print(n[0,0])
print(n)

结果：

tensor([[2., 3.]], requires_grad=True)
tensor([[0., 0.]])
tensor(4., grad_fn=<SelectBackward>)
tensor([[ 4., 27.]], grad_fn=<CopySlices>)

 n.backward(torch.ones_like(n)) 
 # 相当于n.backward(torch.FloatTensor([[1,1]]))
print(m.grad)

结果：

tensor([[ 4., 27.]])