[三]深度学习Pytorch-张量数学运算

0. 往期内容

[一]深度学习Pytorch-张量定义与张量创建

[二]深度学习Pytorch-张量的操作：拼接、切分、索引和变换

[三]深度学习Pytorch-张量数学运算

[四]深度学习Pytorch-线性回归

[五]深度学习Pytorch-计算图与动态图机制

[六]深度学习Pytorch-autograd与逻辑回归

[七]深度学习Pytorch-DataLoader与Dataset(含人民币二分类实战)

[八]深度学习Pytorch-图像预处理transforms

[九]深度学习Pytorch-transforms图像增强(剪裁、翻转、旋转)

[十]深度学习Pytorch-transforms图像操作及自定义方法

1.概览

2. 常用函数

2.1 torch.add(input, other, alpha=1)

torch.add(input, other, alpha=1, out=None)

(1)功能：逐元素计算input+alpha*other;
(2)参数：
input: 第一个张量；
alpha: 乘项因子；
other: 第二个张量；
(3)代码示例：

# ======================================= example 8 =======================================
# torch.add

# flag = True
flag = False

if flag:
    #创建数值为标准正态分布，大小为3*3的张量
    t_0 = torch.randn((3, 3)) 
    #创建与t_0相同大小的全1张量
    t_1 = torch.ones_like(t_0)
    #t_add的每个元素都等于t_0对应元素+10*t_1对应元素
    t_add = torch.add(t_0, 10, t_1)

    print("t_0:\n{}\nt_1:\n{}\nt_add_10:\n{}".format(t_0, t_1, t_add))

>>> a = torch.randn(4)
>>> a
tensor([ 0.0202,  1.0985,  1.3506, -0.6056])
>>> torch.add(a, 20)
tensor([ 20.0202,  21.0985,  21.3506,  19.3944])

>>> b = torch.randn(4)
>>> b
tensor([-0.9732, -0.3497,  0.6245,  0.4022])
>>> c = torch.randn(4, 1)
>>> c
tensor([[ 0.3743],
        [-1.7724],
        [-0.5811],
        [-0.8017]])
>>> torch.add(b, c, alpha=10)
tensor([[  2.7695,   3.3930,   4.3672,   4.1450],
        [-18.6971, -18.0736, -17.0994, -17.3216],
        [ -6.7845,  -6.1610,  -5.1868,  -5.4090],
        [ -8.9902,  -8.3667,  -7.3925,  -7.6147]])

2.2 torch.addcdiv(input, tensor1, tensor2, value=1)

torch.addcdiv(input, tensor1, tensor2, value=1, out=None)

(1)功能：

(2)代码示例：

>>> t = torch.randn(1, 3)
>>> t1 = torch.randn(3, 1)
>>> t2 = torch.randn(1, 3)
>>> torch.addcdiv(t, t1, t2, value=0.1)
tensor([[-0.2312, -3.6496,  0.1312],
        [-1.0428,  3.4292, -0.1030],
        [-0.5369, -0.9829,  0.0430]])

2.3 torch.addcmul(input, tensor1, tensor2, value=1)

torch.addcmul(input, tensor1, tensor2, value=1, out=None)

(1)功能：

(2)代码示例：

>>> t = torch.randn(1, 3)
>>> t1 = torch.randn(3, 1)
>>> t2 = torch.randn(1, 3)
>>> torch.addcmul(t, t1, t2, value=0.1)
tensor([[-0.8635, -0.6391,  1.6174],
        [-0.7617, -0.5879,  1.7388],
        [-0.8353, -0.6249,  1.6511]])