Pytorch 数学计算

最新推荐文章于 2023-10-31 21:44:56 发布
最新推荐文章于 2023-10-31 21:44:56 发布
阅读量937 收藏 6
点赞数
分类专栏： pytorch 深度学习 文章标签： pytorch 深度学习 python
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/zhuguiqin1/article/details/120016991
版权

1. 加法运算

torch.add(input, other, *, out=None) → Tensor

将标量 other 与input输入的每个元素相加并返回一个新的结果张量。

out=input+other

如果 input 是 Fl​​oatTensor 或 DoubleTensor 类型，则 other 必须是实数，否则应该是整数。

参数

  • input (Tensor) – the input tensor.

  • other (Number) – the number to be added to each element of input

关键字参数

  • out (Tensor, optional) – the output tensor.

举例:

>>> 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])

2. 减法运算

torch.sub(input, other, *, alpha=1, out=None) → Tensor

从输入中减去按 alpha 缩放的 other。

out_i=input_i-alpha*other_i

 支持广播(broadcasting)到相同的shape、类型转换以及整数、浮点数和复数输入。

 参数

  •  input (Tensor) – the input tensor.

  • other (Tensor or Scalar) – the tensor or scalar to subtract from input

关键字参数

  • alpha (Scalar) – the scalar multiplier for other

  • out (Tensor, optional) – the output tensor.

举例:

>>> a = torch.tensor((1, 2))
>>> b = torch.tensor((0, 1))
>>> torch.sub(a, b, alpha=2)
tensor([1, 0])

3. 哈达玛积(element wise，对应元素相乘)

torch.mul(input, other, *, out=None) → Tensor

将输入input的每个元素与标量other元素相乘，并返回一个新的结果张量。

out_{i} = other*input_i

如果输入类型为 FloatTensor 或 DoubleTensor，则other应为实数，否则应为整数

参数

  •  input (Tensor) – the input tensor.

  • other (Number) – the number to be multiplied to each element of input

关键字参数

  • out (Tensor, optional) – the output tensor.

举例:

>>> a = torch.randn(3)
>>> a
tensor([ 0.2015, -0.4255,  2.6087])
>>> torch.mul(a, 100)
tensor([  20.1494,  -42.5491,  260.8663])

torch.mul(input, other, *, out=None) → Tensor

张量input的每个元素都乘以张量 other 的相应元素。返回运算结果的张量。

Input和other的shape必须是可以自动扩张的（broadcastable）。

参数

  •  input (Tensor) – 第一个被乘数张量
    .

  • other (Tensor) – 第二个被乘数张量

关键字参数

  • out (Tensor, optional) – 输出张量.

举例:

>>> a = torch.randn(4, 1)
>>> a
tensor([[ 1.1207],
        [-0.3137],
        [ 0.0700],
        [ 0.8378]])
>>> b = torch.randn(1, 4)
>>> b
tensor([[ 0.5146,  0.1216, -0.5244,  2.2382]])
>>> torch.mul(a, b)
tensor([[ 0.5767,  0.1363, -0.5877,  2.5083],
        [-0.1614, -0.0382,  0.1645, -0.7021],
        [ 0.0360,  0.0085, -0.0367,  0.1567],
        [ 0.4312,  0.1019, -0.4394,  1.8753]])

4. 除法运算

torch.div(input, other, *, rounding_mode=None, out=None) → Tensor

将输入input的每个元素除以other的对应元素。

out_{i}=\frac{input_{i}}{other_{i}}

支持广播(broadcasting)到相同的shape、类型转换以及整数、浮点数和复数输入。

参数

  •  input (Tensor) – 被除数
    .

  • other (Tensor or Number) – 除数

关键字参数

  • rounding_mode (str, optional) – 应用于结果的舍入类型
1. None 默认行为。不执行舍入，如果输入和其他都是整数类型，则将输入转化为默认标量类型。相当于      
   Python 中的真正除法（/ 运算符）和 NumPy 的 np.true_divide  
2. “trunc” - 将除法结果向零舍入。相当于 C 风格的整数除法。
3. “floor” - 将除法结果向下舍入。相当于 Python 中的楼层除法（// 运算符）和 NumPy 的 np.floor_divide。

  • out (Tensor, optional) – 输出张量.

举例:

>>> x = torch.tensor([ 0.3810,  1.2774, -0.2972, -0.3719,  0.4637])
>>> torch.div(x, 0.5)
tensor([ 0.7620,  2.5548, -0.5944, -0.7438,  0.9274])

>>> a = torch.tensor([[-0.3711, -1.9353, -0.4605, -0.2917],
...                   [ 0.1815, -1.0111,  0.9805, -1.5923],
...                   [ 0.1062,  1.4581,  0.7759, -1.2344],
...                   [-0.1830, -0.0313,  1.1908, -1.4757]])
>>> b = torch.tensor([ 0.8032,  0.2930, -0.8113, -0.2308])
>>> torch.div(a, b)
tensor([[-0.4620, -6.6051,  0.5676,  1.2639],
        [ 0.2260, -3.4509, -1.2086,  6.8990],
        [ 0.1322,  4.9764, -0.9564,  5.3484],
        [-0.2278, -0.1068, -1.4678,  6.3938]])

>>> torch.div(a, b, rounding_mode='trunc')
tensor([[-0., -6.,  0.,  1.],
        [ 0., -3., -1.,  6.],
        [ 0.,  4., -0.,  5.],
        [-0., -0., -1.,  6.]])

>>> torch.div(a, b, rounding_mode='floor')
tensor([[-1., -7.,  0.,  1.],
        [ 0., -4., -2.,  6.],
        [ 0.,  4., -1.,  5.],
        [-1., -1., -2.,  6.]])

5. 矩阵乘法

torch.matmul(input, other, *, out=None) → Tensor

两个张量的矩阵乘积，行为取决于张量的维度，如下所示：

  • 如果两个张量都是一维的，则返回点积（对应元素相乘再累加，从而得到一个标量）这种形况需要两个一维矩阵的size是一致的。
  • 如果两个参数都是二维的，则返回矩阵-矩阵乘积。
  • 如果第一个参数是一维的，而第二个参数是二维的，则为了矩阵乘法的目的，在其维度前面加上 1。在矩阵乘法之后，前置维度被删除。
  • 如果第一个参数是二维的，第二个参数是一维的，则返回矩阵向量乘积。
  • 如果两个参数都至少是一维的并且至少一个参数是 N 维的（其中 N > 2），则返回批处理(batched)矩阵乘法。如果第一个参数是一维的，为了批量(batched)矩阵乘法的目的，在它的维度前面加上 1 并在之后删除。如果第二个参数是一维的，则为了批处理(batched)矩阵乘法的目的，将 1 附加到其维度并在之后删除。非矩阵（即批量）维度被广播（因此必须是可广播的）。例如，如果输入是一个 (j\times1\times n\times n)张量，其他是一个 (k\times n\times n) 张量，输出将是(j\times k\times n\times n)张量。请注意，广播逻辑在确定输入是否可广播时仅查看批次维度，而不是矩阵维度。例如，如果输入是一个 (j×1×n×m)(j \times 1 \times n \times m)(j×1×n×m) 张量，其他是一个 (k×m×p)( k \times m \times p)(k×m×p) 张量，即使最后两个维度（即矩阵维度）不同，这些输入对于广播也是有效的。 out 将是一个 (j×k×n×p)(j \times k \times n \times p)(j×k×n×p) 张量。

此运算符支持 TensorFloat32。

参数

  • input (Tensor) – 第一个被乘数张量

  • other (Tensor) – 第二个被乘数张量

关键字参数

out (Tensor, optional) – the output tensor.

举例:

>>> # vector x vector
>>> tensor1 = torch.randn(3)
>>> tensor2 = torch.randn(3)
>>> torch.matmul(tensor1, tensor2).size()
torch.Size([])
>>> # matrix x vector
>>> tensor1 = torch.randn(3, 4)
>>> tensor2 = torch.randn(4)
>>> torch.matmul(tensor1, tensor2).size()
torch.Size([3])
>>> # batched matrix x broadcasted vector
>>> tensor1 = torch.randn(10, 3, 4)
>>> tensor2 = torch.randn(4)
>>> torch.matmul(tensor1, tensor2).size()
torch.Size([10, 3])
>>> # batched matrix x batched matrix
>>> tensor1 = torch.randn(10, 3, 4)
>>> tensor2 = torch.randn(10, 4, 5)
>>> torch.matmul(tensor1, tensor2).size()
torch.Size([10, 3, 5])
>>> # batched matrix x broadcasted matrix
>>> tensor1 = torch.randn(10, 3, 4)
>>> tensor2 = torch.randn(4, 5)
>>> torch.matmul(tensor1, tensor2).size()
torch.Size([10, 3, 5])

6. 幂运算

torch.pow(input, exponent, *, out=None) → Tensor

用指数exponent计算输入input中每​​个元素的幂，并返回一个带有计算结果的张量。指数可以是单个浮点数或具有与输入相同数量的元素的张量。
  • 当指数是标量值时，应用的操作是：

out_i=x_{i}^{exponent}

  • 当指数是张量时，应用的操作是：

out_i=x_{i}^{exponent_i}

 当指数是张量时，输入和指数的形状必须是可自动扩展（broadcastable）的。

参数

  • input (Tensor) – input 张量.

  • exponent (float or tensor) – 指数值

关键字参数

out (Tensor, optional) – the output tensor.

举例:

>>> a = torch.randn(4)
>>> a
tensor([ 0.4331,  1.2475,  0.6834, -0.2791])
>>> torch.pow(a, 2)
tensor([ 0.1875,  1.5561,  0.4670,  0.0779])
>>> exp = torch.arange(1., 5.)

>>> a = torch.arange(1., 5.)
>>> a
tensor([ 1.,  2.,  3.,  4.])
>>> exp
tensor([ 1.,  2.,  3.,  4.])
>>> torch.pow(a, exp)
tensor([   1.,    4.,   27.,  256.])

torch.pow(self, exponent, *, out=None) → Tensor

self 是标量浮点值，指数exponent是张量。返回的张量与指数exponent形状相同

应用的操作是：

out_i={self}^{exponent_{i}}

参数

  • self (float) – self 是幂运算的标量基值

  • exponent (Tensor) – 指数 exponent 张量

关键字参数

out (Tensor, optional) – the output tensor.

举例:

>>> exp = torch.arange(1., 5.)
>>> exp
tensor([1., 2., 3., 4.])
>>> base = 2
>>> torch.pow(base, exp)
tensor([  2.,   4.,   8.,  16.])

7. 开方运算

torch.sqrt(input, *, out=None) → Tensor

返回具有输入input元素平方根的新张量。

out_i=\sqrt{input_i}

参数

  • input (Tensor) – input 张量.

关键字参数

out (Tensor, optional) – the output tensor.

举例:

>>> a = torch.randn(4)
>>> a
tensor([-2.0755,  1.0226,  0.0831,  0.4806])
>>> torch.sqrt(a)
tensor([    nan,  1.0112,  0.2883,  0.6933])

torch.rsqrt(input, *, out=None) → Tensor

返回一个新的张量，它是输入的每个元素的平方根的倒数。

out_i=\frac{1}{\sqrt{input_i}}

参数

  • input (Tensor) – input 张量.

关键字参数

out (Tensor, optional) – the output tensor.

举例:

>>> a = torch.randn(4)
>>> a
tensor([-0.0370,  0.2970,  1.5420, -0.9105])
>>> torch.rsqrt(a)
tensor([    nan,  1.8351,  0.8053,     nan])

8.指数与对数运算

torch.exp(input, *, out=None) → Tensor

返回具有输入张量 input 元素的指数的新张量。

y_i=e^{x_i}

参数

  • input (Tensor) – input 张量.

关键字参数

out (Tensor, optional) – the output tensor.

举例:

>>> torch.exp(torch.tensor([0, math.log(2.)]))
tensor([ 1.,  2.])

torch.log(input, *, out=None) → Tensor

返回具有输入元素的自然对数的新张量。

y_i=log_{e}(x_i)

参数

  • input (Tensor) – input 张量.

关键字参数

out (Tensor, optional) – the output tensor.

举例:

import torch
 
a = torch.exp(torch.ones(2, 2))  # 得到2*2的全是e的Tensor
print(a)
print(torch.log(a))  # 取自然对数

输出结果：

tensor([[2.7183, 2.7183],
        [2.7183, 2.7183]])
tensor([[1., 1.],
        [1., 1.]])

9.近似值运算

torch.round(input, *, out=None) → Tensor

返回一个新的张量，其中输入的每个元素都四舍五入为最接近的整数。

参数

  • input (Tensor) – input 张量.

关键字参数

out (Tensor, optional) – the output tensor.

举例:

>>> a = torch.randn(4)
>>> a
tensor([ 0.9920,  0.6077,  0.9734, -1.0362])
>>> torch.round(a)
tensor([ 1.,  1.,  1., -1.])

程序之巅
关注
  • 0
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
《Deep Learning for Coders with fastai and PyTorch》fastbook-master.zip
06-21
如何在计算机视觉、自然语言处理(NLP)、推荐系统、表格和时间序列数据分析中创建最先进的模型：《Deep Learning for Coders with fastai and PyTorch》 如何使用全新的fastai v2库和PyTorch 深度学习的基础：什么是神经网络，它们是如何训练的，以及它们如何进行预测 为什么以及如何使用深度学习模型，以及如何使用这些知识来提高模型的准确性、速度和可靠性 如何将你的模型转换为实际的Web应用程序，以及在模型出错时如何调试模型。 最新的深度学习技术，尝试真正有意义的实践 如何阅读深度学习研究论文 如何实现深度学习算法从无到有 不过该课程并非面向零基础人士，虽说不要求你处理大量数据，也不需要你具备大学水平的数学能力，但是你至少需要有一年的编程经验。
深度学习 - 搭建pytorch深度学习环境.pdf
03-01
Torch是一个用于深度学习的=数学计算库，而Pytorch则是一个基于Torch的Python机器学习库，可看作其提供了Torch应用于Python的接口。而搭建Pytorch虚拟环境，通俗地讲，就是搭建一个包含了Pytorch的相关包的Python解释器的环境，即是专门用于处理基于Python的深度学习的问题的环境。
nnMorpho:使用PyTorch框架的通用数学形态学库。启用GPU计算
03-21
nnMorpho 通用数学形态学库。 nnMorpho使用框架来利用CUDA张量并执行GPU计算以提高速度。
pytorch-lightning使用实例，主要采用BERT训练
最新发布
03-10
1、资源内容：pytorch-lightning使用实例，主要采用BERT训练。 2、适用人群：计算机，电子信息工程、数学等专业的学习者，作为“参考资料”参考学习使用。 3、解压说明：本资源需要电脑端使用WinRAR、7zip等解压工具进行解压，没有解压工具的自行百度下载即可。
pytorch简介
01-19
一.Pytorch是什么？   Pytorch是torch的python版本，是由Facebook开源的神经网络框架，专门针对 GPU 加速的深度神经网络（DNN）编程。Torch 是一个经典的对多维矩阵数据进行操作的张量（tensor ）库，在机器学习和其他数学密集型应用有广泛应用。与Tensorflow的静态计算图不同，pytorch的计算图是动态的，可以根据计算需要实时改变计算图。但由于Torch语言采用 Lua，导致在国内一直很小众，并逐渐被支持 Python 的 Tensorflow 抢走用户。作为经典机器学习库 Torch 的端口，PyTorch 为 Python 语言使用者提供了
torch.div()——数组的‘点除‘运算
qq_50001789的博客
09-27 9963
torch.div()——数组的’点除’运算 torch.div(input, other, *, rounding_mode=None, out=None) → Tensor 功能：将数组input与数组other对应元素做除法，具体计算公式如下： outi=inputiotheri out_i=\frac{input_i}{other_i} outi​=otheri​inputi​​ 输入： input：元素用于被除数的数组 other：元素用于除数的数组或者数 rounding_mode：输入为字
pytorch基础操作
qiu_huohuo
04-25 1026
取整函数 torch.abs(变量) 加法函数 torch.add(变量，变量) (3)裁剪函数 torch.clamp (变量，上边界，下边界): 输入参数一共有三个，分别是需要进 行裁剪的Tensor数据类型的变量、裁剪的上边界和裁剪的下边界。如果需要裁剪的数小于下边界的话，就将其变为下边界，如果大于上边界的话，就变为上边界，处于边界内的数就直接输入对应的数。 (4)...
Pytorch 基础之数学运算
zxhandroid的博客
02-26 1931
每门语言都少不了加减乘除等数学运算，Pytorch 作为一个开源的机器学习库，除了这些基本的数学运算，还涉及到矩阵运算、三角函数、傅立叶变换等等。
torch.div()不支持rounding_mode参数, TypeError: div() got an unexpected keyword argument ‘rounding_mode‘
东皇太一在此的博客
10-31 260
问题怎么定位的呢，把报错信息一股脑甩给chatgpt，问他什么意思，他就反馈说“在标准的Python库中，div() 函数不接受 rounding_mode 参数。”（虽然这个问题也不难，但是改偷的懒还是要偷）
torch两个向量除法，对于分母向量中的元素为0是设置为1，避免运算错误
qq_42549774的博客
05-09 1262
torch.clamp(input, min, max, out=None)：将输入张量input每个元素的值裁剪到范围[min, max]内，返回一个新的张量。torch.Tensor.clamp_(min, max)：与前者相似，但是这种用法会直接修改张量本身，不会产生新的张量，并且函数名后面的下划线_表示该函数是一个inplace函数。在gpu运行时，如果在进行两个向量除法的时候，对于分母向量中的元素为0是设置为1，避免运算错误。以上代码避免了0作为分母的错误，并给出了正确的计算结果。
PyTorch迁移学习实现性别识别最简单例子
03-10
1、资源内容：基于PyTorch迁移学习实现性别识别最简单例子 2、适用人群：计算机，电子信息工程、数学等专业的学习者，作为“参考资料”参考学习使用。 3、解压说明：本资源需要电脑端使用WinRAR、7zip等解压工具进行解压，没有解压工具的自行百度下载即可。
Pytorch Tensor基本数学运算详解
09-18
今天小编就为大家分享一篇Pytorch Tensor基本数学运算详解，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 基本数学运算
Defiler_Lee的博客
03-04 2735
pytorch中的运算遵循其Broadcasting规则，这里不详细解释。 目录 1. 矩阵对应位置加减乘除 2. 矩阵相乘 3. 幂运算 3. 指数与对数运算 4. 近似取值（向上取整，向下取整，四舍五入，取小数等） 5. clamp 1. 矩阵对应位置加减乘除 包括add（加），sub（减），mul（乘），div（除），pytorch中重载了加减乘除的运算符...
PyTorch基本数学运算
Temmie1024的博客
05-14 832
矩阵的加减乘(数乘)除(数除) 可以使用符号+ - * / a+b a-b a*b a/b 也可以写add sub mul div torch.add(a,b) torch.sub(a,b) torch.mul(a,b) torch.div(a,b) //表示整除 这样的运算是允许的，它会进行维度扩展 矩阵的乘与除 torch.matmul或者使用@ mm不推荐，因为它只能处理2*2的 对于高维矩阵，@与matmul会计算最后两维的乘法，前面的不进行改变。如果前面的值不对应会使用brodcasting进
pytorch: 计算网络模型的计算量(FLOPs)和参数量(Params)
热门推荐
傲笑风的博客
11-20 2万+
计算量： FLOPs，FLOP时指浮点运算次数，s是指秒，即每秒浮点运算次数的意思，考量一个网络模型的计算量的标准。 参数量： Params，是指网络模型中需要训练的参数总数。 第一步：安装模块（thop） pip install thop 第二步：计算 import torch from thop import profile net = Model() # 定义好的网络模型 input = torch.randn(1, 3, 112, 112) flops, params = profile(net
【Pytorch基础】Pytorch的基本运算操作
sxl的博客
04-26 1683
  Pytorch跟Python一样都是一种编程语言，只不过Pytorch可以在GPU中进行计算。简单理解的话，就是这个区别吧。至于如何学习Pytorch，个人 觉得完全可以类比，Python两者语法跟用法没有太大差异。再者，为什么学习Pytorch基本计算，而不是用Python基本计算代替再转成tensor格式。个人在代码实现中的体会是：太麻烦，因为Pytorch默认创建变量的类型是float32，使用Python的数据类型如array是float64，如果进行tensor的转换后在计算会报错，变量类型不
pytorch基础知识八【基本数学运算】
weixin_43188487的博客
12-11 1658
基本数学运算1. 加减乘除2. 矩阵乘法3. 开方4. 近似运算 1. 加减乘除 a = torch.tensor([[1,2,3],[4,5,6],[7,8,9]]) print(a) b = torch.tensor([[10,20,30],[40,50,60],[70,80,90]]) # 加法 print(a+b) print(torch.add(a,b)) # 减法 print(torch.all(torch.eq(a-b,torch.sub(a,b)))) # 乘法 print(torch.
pytorch tensor 乘法运算汇总与解析
zhuguiqin1的专栏
09-17 1万+
元素一一相乘 该操作又称作 “哈达玛积”, 简单来说就是 tensor 元素逐个相乘。这个操作，是通过 * 也就是常规的乘号操作符定义的操作结果。torch.mul 是等价的。 import torch def element_by_element(): x = torch.tensor([1, 2, 3]) y = torch.tensor([4, 5, 6]) return x * y, torch.mul(x, y) element_by_element
pytorch数学计算
09-23
PyTorch是一个开源的机器学习库，它提供了丰富的数学计算功能。对于基本的数学运算，PyTorch提供了torch.add函数，可以实现加法运算。例如，torch.add(input,other, * ,alpha=1,out=None)可以用来对两个张量进行加法运算。此外，PyTorch还支持矩阵相乘，可以使用torch.mm函数实现。torch.mm(input,mat2, *** ,out=None)可以对两个矩阵进行相乘运算。 如果你想对张量进行除法运算，可以使用torch.div函数。例如，torch.div(x, 0.5)可以将张量x的每个元素除以0.5，相当于每个结果乘以2。此外，torch.div函数还可以指定舍入模式，例如'round'表示四舍五入，'floor'表示向下取整。 对于更复杂的数学运算，如三角函数、傅立叶变换等，PyTorch也提供了相应的函数和方法。你可以通过查阅PyTorch的官方文档来了解更多关于数学计算的内容。

“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