Pytorch中取一个batch的对角线元素

最新推荐文章于 2023-03-06 17:54:39 发布
最新推荐文章于 2023-03-06 17:54:39 发布
阅读量2.2k 收藏 4
点赞数 3
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/weixin_43718238/article/details/113807259
版权

torch.diagonal
在这里插入图片描述
这里的j_matrix 是一个（5, 16, 16) 张量

torch.diagonal(j_matrix, dim1=-2, dim2=-1)
Out[6]: 
tensor([[0.3009, 0.7826, 0.2639, 0.4019, 0.5106, 0.3767, 0.4053, 0.2876, 0.3009,
         0.7826, 0.2639, 0.4019, 0.5106, 0.3767, 0.4053, 0.2876],
        [0.8716, 0.1679, 0.3594, 0.5889, 0.4564, 0.9954, 0.3841, 0.5640, 0.8716,
         0.1679, 0.3594, 0.5889, 0.4564, 0.9954, 0.3841, 0.5640],
        [0.5112, 0.2634, 0.4914, 0.8166, 0.3232, 0.4071, 0.4868, 0.7273, 0.5112,
         0.2634, 0.4914, 0.8166, 0.3232, 0.4071, 0.4868, 0.7273],
        [0.4422, 0.3853, 0.6786, 0.3912, 0.5814, 0.3816, 0.7245, 0.2994, 0.4422,
         0.3853, 0.6786, 0.3912, 0.5814, 0.3816, 0.7245, 0.2994],
        [0.2956, 0.4321, 0.9307, 0.5550, 0.5469, 0.6162, 0.5656, 0.2380, 0.2956,
         0.4321, 0.9307, 0.5550, 0.5469, 0.6162, 0.5656, 0.2380]])
LaPetiteNancy
关注
  • 3
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Pytorch：批量数据（batch）分割
01-20
原文地址 分类目录——Pytorch 深度学习可行的一个前提是假设数据之间是相互独立的，用相关的数据进行训练会让训练的模型局限于满足一撮数据，没有实用性。而更多的现实情况是数据之间存在着或多或少的相关性，所以深度学习中常用海量数据来弥补数据间相关所产生的训练模型的不足。在大量数据中学习中，小批量（batch）梯度下降是一种比较好的方式，每次选取一小部分数据来进行参数更新，既能沿着较好的方向更新，又能兼顾训练的效率 另外，从数据集中随机（不连续）抽取数据也是可以减弱数据相关性的影响的。这一点在随机森林中的到了充分的利用（这里的随机与随机森林中的随机不完全相同） pytorch中引入了对数据进行切
Pytorch: torch.diag()创建对角线张量
Ethan_Rich的博客
12-27 1334
是PyTorch中的一个函数，用于从给定的矩阵中提取对角线元素，或者构造一个以给定对角线元素为值的对角矩阵。这个函数对于矩阵分解和转换等操作非常重要。会返回一个以该向量为对角线元素的2D方阵。如果输入是一个矩阵（2D张量），则返回一个包含输入矩阵对角线元素的1D张量。，则为位于主对角线之上的对角线；还允许你指定对角线的位置，通过参数。如果输入是一个向量（1D张量），，则为位于主对角线之下的对角线。
pytorch 取对角线元素/矩阵对角线元素置0
热门推荐
qq_40491305的博客
03-07 1万+
pytorch 取对角线元素/矩阵对角线元素置0 使用 torch.diag 取对角线元素，使用 torch.diag_embed() 恢复维度 import torch a = torch.randn(3, 3) print(a) tensor([[ 0.7594, 0.8073, -0.1344], [-1.7335, -0.4356, -0.0055], [ 1.8326, 0.3900, -0.9933]]) diag = torch.diag(a) #
PyTorch 中文文档
12-02
PyTorch 中文文档 PyTorch 中文文档 PyTorch 中文文档
pytorch dataloader 取batch_size时候出现bug的解决方式
09-17
今天小编就为大家分享一篇pytorch dataloader 取batch_size时候出现bug的解决方式，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
Pytorch快速入门系列---（一）张量及运算
qq_42681787的博客
03-06 2849
在上面的例子中，我们演示了如何调用pytorch中的函数查看、修改默认数据类型，但是这种修改是全局的，如何我们想要把一个张量a（32位浮点型）转换为16位有符号整型但是又不影响其他张量的数据类型怎么办呢？我们接着看下面一个例子。torch.sort()函数：对一维张量进行排序，或者对高维张量在指定的维度进行排序，在输出排序结果的同时，还会输出对应的值在原始位置的索引。张量计算主要包括张量之间的大小比较、张量的基本运算（元素之间的运算和矩阵之间的运算）、张量与统计相关的运算（排序、最大值、最小值）
torch.diagonal取三维张量的各自二维张量的对角线
believe__m的博客
08-05 2114
torch.diagonal取三维数组的各自二维数组的对角线
2.Tensor
青山
04-28 1496
PyTorch基础：Tensor和Autograd 3.1 Tensor Tensor，又名张量，读者可能对这个名词似曾相识，因它不仅在PyTorch中出现过，它也是Theano、TensorFlow、Torch和MxNet中重要的数据结构。关于张量的本质不乏深度的剖析，但从工程角度来讲，可简单地认为它就是一个数组，且支持高效的科学计算。它可以是一个数（标量）、一维数组（向量）、二维数组（矩阵）和...
torch.diag() 取矩阵对角线元素，torch.diag_embed() 指定值变成对角矩阵
知识搬运者
01-12 1万+
1、torch.diag() import torch a = torch.randn(3, 3) print(a) tensor([[ 0.7594, 0.8073, -0.1344], [-1.7335, -0.4356, -0.0055], [ 1.8326, 0.3900, -0.9933]]) diag = torch.diag(a) # 取 a 对角线元素，输出为 1*3 print(diag) tensor([ 0.7594, -0.4356, -0.
Pytorch根据向量批量构造对角矩阵
wangchaoxjtu的专栏
05-30 1335
TORCH.DIAG_EMBED torch.diag_embed(input,offset=0,dim1=-2,dim2=-1)→ Tensor Creates a tensor whose diagonals of certain 2D planes (specified bydim1anddim2) are filled byinput. To facilitate creating batched diagonal matrices, the 2D planes formed b...
运用PyTorch动手搭建一个共享单车预测器
09-18
主要介绍了运用PyTorch动手搭建一个共享单车预测器,需要的朋友可以参考下
基于pytorch的深度学习车道线检测模型
08-02
基于pytorch的深度学习车道线检测模型 包含py文件和一些处理方法，可自行更改作学习研究使用 自己跑过效果还不错，检测精度非常高 具体的使用方法已经在readme写清楚了 ...
pytorch用法笔记--不定期更新
walking_visitor的博客
09-24 331
torch.matmul(a,a.T) 矩阵乘以它的转置矩阵，如3*4,4*3，相乘后结果是一个3*3的对称矩阵 torch.diag(a, 2) 取以对角线为起点的元素，对角线的位置为0，2代表从对角线开始往上的第2条对角线，也可以是负值，也就是对角线往下 torch.cat((a, b), dim=0) 拼接两个矩阵，按照dim=0的维度，比如3*4,3*5，拼接后就是3*9，dim=0也就是横向拼接，dim=1也就是纵向拼接 np.fill_diagonal(a,0)/torch.fill
Pytorch 取某一矩阵的副对角线的上半部分
qishengmoming的博客
04-18 2080
使用torch.fliplr()将张量左右颠倒 使用torch.triu( )取出张量的(主对角线的)上三角部分 再次使用torch.fliplr()将得到的张量左右颠倒 副对角线上的元素是否保留可以通过torch.triu( )中的参数diagonal来控制, 当diagonal=1时即可不保留副对角线上的元素 import torch b = torch.arange(0, 25).view((5, 5)) # 产生一个5*5的张量 print(b) ''' tensor([[ 0, 1,.
pytorch 变对角矩阵_[深度学习] pytorch学习笔记（1）(数据类型、基础使用、自动求导、矩阵操作、维度变换、广播、拼接拆分、基本运算、范数、argmax、矩阵比较、where、gathe...
weixin_39924307的博客
02-11 352
一、Pytorch安装安装cuda和cudnn，例如cuda10，cudnn7.5官网下载torch：https://pytorch.org/ 选择下载相应版本的torch 和torchvision的whl文件使用pip install whl_dir安装torch，并且同时安装torchvision二、初步使用pytorch#-*- coding:utf-8 -*-__author__ = 'L...
pytorch矩阵运算
weixin_49710179的博客
04-19 809
目录：1.对角矩阵的设置2.矩阵的迹3.上三角矩阵与下三角矩阵4.矩阵的乘积mm和bmm5.矩阵的相乘再相加6.批量矩阵相乘再相加7.矩阵乘向量再相加8.特征值及特征向量 1.对角矩阵的设置 a = torch.rand(2) print(a) # diag设置对角矩阵，diagonal等于0，设置主对角线 x = torch.diag(a,diagonal=0) # iagonal 对角线 print(x) # diagonal大于0，设置主对角线上diagonal对应位置的值 x = torch.d
Pytorch：快速求得NxN矩阵的主对角线(diagonal)元素与非对角线元素
要相信光
06-07 5794
前因 今天写代码过程中，要分别求得一个N x NTensor矩阵的主对角元素与非对角元素，看到一个巧妙的写法，故记录下来。 探索 torch.diagonal() 主对角元素很好得到，Pytorch有现成的API可调用，为torch.diagonal，详情如下： 使用起来也很方便，示例如下： x = torch.randn(4,4) # tensor([[ 0.9148, 0.1396, -0.8974, 2.0014], # [ 0.1129, -0.3656, 0.4371, 0
pytorch输出生成一个对角tensor
qq_41111734的博客
12-22 541
pytorch输出生成一个对角tensor >>>print(torch.eye(3)) tensor([[1., 0., 0.], [0., 1., 0.], [0., 0., 1.]])
机械设计试验机sw20可编辑非常好的设计图纸100%好用.zip
最新发布
05-02
机械设计试验机sw20可编辑非常好的设计图纸100%好用.zip
pytorch如何创建一个对角线元素值全为1的对角矩阵
03-20
您可以使用torch.eye()函数来创建一个对角线元素值全为1的对角矩阵，如下所示： import torch diag_matrix = torch.eye(3) print(diag_matrix) 输出结果为： tensor([[1., 0., 0.], [0., 1., 0.], [0., 0., 1.]])

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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