empty、arange、linspace、rand/randn、normal/uniform_、randperm、加减乘除幂对数、取整/余、比较运算

laluneX

已于 2023-02-23 13:44:36 修改

阅读量219

点赞数

分类专栏： pytorch 文章标签：深度学习

于 2022-08-12 09:37:03 首次发布

本文链接：https://blog.csdn.net/weixin_45969777/article/details/126297343

版权

pytorch 专栏收录该内容

6 篇文章 0 订阅

订阅专栏

一、tensor基础函数

1. 基本函数

函数	功能
Tensor(*size)	创建tensor
Tensor(data)	将数据转化为tensor
ones(*size)	全1
zeros(*size)	全0
zeros_like(tensor)/ones_like(tensor)	创建一个与参数相同shape且元素全为0/全为1的tensor
eye(*size)	单位tensor
torch.empty(*size)	创建一个未被初始化数值的tensor（值不一定是0），tensor的大小是由size确定
arange(s, e, step)	返回一个1维张量，取包含在[s, e)在内的间隔为steps的点
linspace(s, e, step=100)	返回一个1维张量，取包含在[s, e]在内的均匀间隔的step个点
rand/randn(*size)	均匀分布：从区间[0, 1)的均匀分布中抽取的一组随机数 / 标准正态分布：从标准正态分布（均值为0，方差为1，即高斯白噪声）中抽取的一组随机数
normal(mean, std)/uniform_(from, to)	正态分布：从指定均值和标准差的正态分布中抽取的一组随机数 / 均匀分布：从from到to的均匀分布中随机抽样数值进行填充
randperm(n)	将[0, n)随机打乱后获得的数字序列

import torch

print(torch.Tensor([[1, 2], [3, 4]]))	# 创建
print(torch.Tensor(3, 2))
print(torch.zeros(2, 2))	
print(torch.ones(2, 2))
print(torch.eye(2, 2))
print(torch.empty([2, 2]))
a = torch.Tensor([[1, 2], [3, 4]])
print(torch.zeros_like(a))
print(torch.ones_like(a))
print(torch.rand(2, 2))
print(torch.randn(2, 2))
print(torch.normal(torch.randn(1, 3), torch.rand(1, 3)))
print(torch.linspace(1, 5, 5))
print(torch.arange(1, 5, 1))
print(torch.Tensor(2, 2).uniform_(-1, 1))
print(torch.randperm(10))

# 输出
tensor([[1., 2.],			# 创建
        [3., 4.]])
tensor([[ 7.3908e+22,  1.4764e-41],
        [-6.2287e-23,  4.5916e-41],
        [ 0.0000e+00,  0.0000e+00]])
tensor([[0., 0.],			# zeros
        [0., 0.]])
tensor([[1., 1.],			# ones
        [1., 1.]])
tensor([[1., 0.],			# eye
        [0., 1.]])
tensor([[1.4013e-45, 0.0000e+00],	# empty
        [1.6393e+19, 4.5916e-41]])
tensor([[0., 0.],			# zeros_like
        [0., 0.]])
tensor([[1., 1.],			# ones_like
        [1., 1.]])
tensor([[0.4374, 0.2534],		# rand
        [0.1902, 0.1513]])
tensor([[ 1.8772,  0.9770],		# randn
        [ 0.7970, -0.5733]])
tensor([[-0.2111,  0.9958,  0.2982]])	# normal
tensor([1., 2., 3., 4., 5.])	# linspace
tensor([1, 2, 3, 4])		# arange
tensor([[-0.3002, -0.6143],		# uniform_
        [ 0.7185, -0.2010]])
tensor([3, 5, 8, 2, 6, 9, 1, 4, 0, 7])	# randperm

2. 其他函数

torch.abs()：绝对值函数
torch.sign()：符号函数
torch.sigmoid()：sigmoid函数

二、torch运算函数

1. tensor的算数运算

①加减乘除

加为add函数，减为sub函数，乘（element wise：对应元素相乘）为mul函数，除为div函数

不过对于add_()，sub_()，mul_()，div_() 而言会对原来的操作数a进行修改

要注意的是

矩阵的element-wise乘法是可以使用广播机制的，而矩阵乘法不能使用广播（对执行矩阵乘法的那一部分而言，而对于batchsize那一部分是可以广播），例如：matrix A（3*4）和matrix B(1*4)，若A与B相乘则前者可以执行，后者报错；
另外，pytorch中的一维数组是以列向量为数学计算约定，却以行向量为表示形式的向量，例如：matrix A（10*3*4）和matrix B(4)，若A与B相乘则前者，后者都可以执行，但前者算出的shape为10*3*4，后者算出的shape为10*3。

a, b = torch.tensor(5), torch.tensor(3)
print(a + b)		# 加减乘除只需要修改对应函数与符号
print(torch.add(a, b))
print(a.add(b))
print(a.add_(b))
print(a)

# 输出
tensor(8)
tensor(8)
tensor(8)
tensor(8)
tensor(8)

②幂运算

print(a ** b)			# 普通幂运算同加减乘除
print(torch.pow(a, b))
print(a.pow(b))
print(a.pow_(b))

print(torch.exp(a))		# 以e为底的指数函数
print(a.exp())		
print(a.exp_())			

print(torch.sqrt(a))		# 开根号
print(a.sqrt())			
print(a.sqrt_())			# 同add_()函数

③矩阵运算

对二维来说，矩阵乘法包括torch.mm()、torch.matmul()、@，且这里 没有mm()_、matmul()_的方法

print(torch.mm(a, b))		# 开根号
print(torch.matmul(a, b))		# 开根号
print(a @ b)		# 开根号
print(a.matmul(b))		# 开根号
print(a.mm(b))		# 开根号

对于高维的Tensor (dim>2)，定义其矩阵乘法仅在最后的两个维度上进行二维运算，并要求 前面的维度必须保持一致 ，且操作函数只有 torch.matmul()

a, b = torch.rand(1, 2, 3), torch.rand(1, 3, 7)

print(torch.matmul(a, b))		# 开根号
print(a.matmul(b))		# 开根号

④对数运算

log2和log10的函数同log函数的用法

print(torch.log(a))			# e为底的对数函数
print(a.log())
print(a.log_())

⑤取整/余

~可以为torch或操作数

函数	作用
%	取余
~.floor()	下取整
~.ceil()	上取整
~.round()	四舍五入
~.trunc()	只取整数部分
~.frac()	只取小数部分

print(a)
print(torch.floor(a))
print(a.floor())
print(torch.ceil(a))
print(a.ceil())
print(torch.round(a))
print(a.round())
print(torch.trunc(a))
print(a.trunc())
print(torch.frac(a))
print(a.frac())