limu python学习2.3备份

项目场景：

提示：这里项目所有代码备份：

import torch
"""
x = torch.tensor(3.0)
y = torch.tensor(2.0)
print(x + y, x * y, x / y, x**y)

x = torch.arange(4)
print(x)
print(x[2])
print(len(x))
print(x.numel())  #len()与numel（）具有相同的功能，即进行计数
print(x.shape)

A = torch.arange(20).reshape(5, 4)
print(A)
print(A.T)#输出为矩阵A的转置

B = torch.tensor([[1, 2, 3], [2, 0, 4], [3, 4, 5]])#B为对阵矩阵
print(B)
print(B==B.T)

X = torch.arange(24).reshape(3, 2, 4)
print(X)

A = torch.arange(20, dtype=torch.float32).reshape(5, 4)
B = A.clone() #通过分配新内存，将A的一个副本分配给B
print(A,'\n', A + B)
print(A*B)#  *表示按元素相乘

a = 2
X = torch.arange(24).reshape(2, 3, 4)
print(X,'\n',a + X,'\n', (a * X).shape)

x = torch.arange(4, dtype=torch.float32)
print(x,'\n', x.sum())

A = torch.arange(20, dtype=torch.float32).reshape(5, 4)
print(A,'\n',A.shape, A.sum())
A_sum_axis0 = A.sum(axis=0)#axis的值为0时，列数不变，每列相加；axis的值为1时，行数不变，每行相加；
print(A_sum_axis0, A_sum_axis0.shape)
A_sum_axis1 = A.sum(axis=1)#axis的值为0时，列数不变，每列相加；axis的值为1时，行数不变，每行相加；
print(A_sum_axis1, A_sum_axis1.shape)
print(A.sum(axis=[0,1]))#A.sum(axis=[0, 1]) 结果和A.sum()相同
print(A.mean(), A.sum() / A.numel())#一个与求和相关的量是平均值（mean或average）。我们通过将总和除以元素总数来计算平均值。
# 在代码中，我们可以调用函数来计算任意形状张量的平均值。
print(A.mean(axis=0), A.sum(axis=0) / A.shape[0])#计算平均值的函数也可以沿指定轴降低张量的维度。
sum_A=A.sum(axis=1,keepdims=True) #这里的True中的首字母必须大写
print(sum_A)
print(A / sum_A)#通过广播将A除以sum_A。
print(A.cumsum(axis=0))#如果我们想沿某个轴计算A元素的累积总和，比如axis=0（按行计算），可以调用cumsum函数。此函数不会沿任何轴降低输入张量的维度。

x = torch.arange(4, dtype=torch.float32)
y = torch.ones(4, dtype = torch.float32)
print(x, y, torch.dot(x, y))#torch.dot()代表点积，是相同位置的按元素乘积的和：
print(torch.sum(x * y))#我们可以通过执行按元素乘法，然后进行求和来表示两个向量的点积

A = torch.arange(20, dtype=torch.float32).reshape(5, 4)
x = torch.arange(4, dtype=torch.float32)
print(A,x)
#print(torch.mv(A, x))#在代码中使用张量表示矩阵‐向量积，我们使用mv函数。当我们为矩阵A和向量x调用torch.mv(A, x)时，会执行矩阵‐向量积。注意，A的列维数（沿轴1的长度）必须与x的维数（其长度）相同。
B = torch.ones(4, 3)
print(B,'\n',torch.mm(A, B))#torch.mm(）是矩阵‐矩阵乘法，AB看作简单地执行m次矩阵‐向量
"""
u = torch.tensor([-5.0, 12.0])
print(torch.norm(u))   #torch.norm(）是求L2范数，假设n维向量x中的元素是x1, . . . , xn，其L2范数是向量元素平方和的平方根：
print(torch.abs(u).sum())  #L1范数为向量元素的绝对值之和
print(torch.norm(torch.ones(2,8)))

---