我家自动化

这个屌丝很懒，什么也没留下！

热门标签

pytorch基础【3】torch运算

作者：我家自动化 | 2024-06-19 05:17:47

踩

pytorch基础【3】torch运算

文章目录

torch运算

torch运算

基本运算

创建张量:

import torch

# 直接从列表或数组创建张量
x = torch.tensor([1, 2, 3])
1
2
3
4

创建特定值的张量:

# 全零张量
zeros = torch.zeros(3, 3)

# 全一张量
ones = torch.ones(3, 3)

# 单位张量（对角线为1，其余为0）
eye = torch.eye(3)

# 随机张量
rand = torch.rand(3, 3)

# 从均值为0，标准差为1的正态分布中抽取的随机张量
randn = torch.randn(3, 3)
1
2
3
4
5
6
7
8
9
10
11
12
13
14

创建等差数列张量:

# 从0到10（不包括10）的等差数列，步长为2
arange = torch.arange(0, 10, 2)
1
2

创建特定间隔的数列张量:

# 从0到10均匀分布的5个数
linspace = torch.linspace(0, 10, 5)
1
2

加法和减法:

# 加法
z = x + y  # torch.add(x, y)
print(z)  # 输出: tensor([5, 7, 9])

# 减法
z = x - y  # torch.sub(x, y)
print(z)  # 输出: tensor([-3, -3, -3])
1
2
3
4
5
6
7

乘法和除法:

# 元素乘法
z = x * y  # torch.mul(x, y)
print(z)  # 输出: tensor([ 4, 10, 18])

# 元素除法
z = x / y  # torch.div(x, y)
print(z)  # 输出: tensor([0.2500, 0.4000, 0.5000])
1
2
3
4
5
6
7

矩阵乘法:

a = torch.tensor([[1, 2], [3, 4]])
b = torch.tensor([[5, 6], [7, 8]])

# 矩阵乘法
z = torch.matmul(a, b)  # 或者 a @ b
print(z)  # 输出: tensor([[19, 22], [43, 50]])
1
2
3
4
5
6

形状操作

改变形状:view()

a = torch.tensor([[1, 2, 3], [4, 5, 6]])

# 改变形状
b = a.view(3, 2)
print(b)
# 输出:
# tensor([[1, 2],
#         [3, 4],
#         [5, 6]])
1
2
3
4
5
6
7
8
9

自动调整size (参数-1)

view中一个参数指定为-1，代表自动调整这个维度上的元素个数，以保证元素的总数不变。

import torch
x1 = torch.arange(0,16)
print(x1)
#a1: tensor([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15])
------------------------------------------------------------------------------------------------------   
x2 = x1.view(-1, 16)
x3 = x1.view(-1, 8)
x4 = x1.view(-1, 4)
x5 = x1.view(-1, 2)


print(x2)
print(x3)
print(x4)
print(x5)


x2: tensor([[ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15]])
x3: tensor([[ 0,  1,  2,  3,  4,  5,  6,  7],
        [ 8,  9, 10, 11, 12, 13, 14, 15]])
x4: tensor([[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11],
        [12, 13, 14, 15]])
x5: tensor([[ 0,  1],
        [ 2,  3],
        [ 4,  5],
        [ 6,  7],
        [ 8,  9],
        [10, 11],
        [12, 13],
        [14, 15]])
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32

拼接:

x = torch.tensor([[1, 2], [3, 4]])
y = torch.tensor([[5, 6], [7, 8]])

# 沿着0轴拼接（垂直拼接）
z = torch.cat((x, y), dim=0)
print(z)
# 输出:
# tensor([[1, 2],
#         [3, 4],
#         [5, 6],
#         [7, 8]])

# 沿着1轴拼接（水平拼接）
z = torch.cat((x, y), dim=1)
print(z)
# 输出:
# tensor([[1, 2, 5, 6],
#         [3, 4, 7, 8]])
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

切片:

a = torch.tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# 切片
b = a[:, 1]  # 第二列
print(b)  # 输出: tensor([2, 5, 8])
1
2
3
4
5

数学运算

求和:sum()

x = torch.tensor([1, 2, 3, 4])

# 求和
sum_x = torch.sum(x)
print(sum_x)  # 输出: tensor(10)
1
2
3
4
5

均值:mean()

# 均值
mean_x = torch.mean(x.float())  # 转换为浮点数类型
print(mean_x)  # 输出: tensor(2.5000)
1
2
3

最大值和最小值:max(),min()

# 最大值
max_x = torch.max(x)
print(max_x)  # 输出: tensor(4)

# 最小值
min_x = torch.min(x)
print(min_x)  # 输出: tensor(1)
1
2
3
4
5
6
7

逻辑运算

比较运算:

x = torch.tensor([1, 2, 3])
y = torch.tensor([2, 2, 2])

# 大于
print(x > y)  # 输出: tensor([False, False,  True])

# 小于
print(x < y)  # 输出: tensor([ True, False, False])
1
2
3
4
5
6
7
8

逻辑与、或:

a = torch.tensor([True, False, True])
b = torch.tensor([False, False, True])

# 逻辑与
c = torch.logical_and(a, b)
print(c)  # 输出: tensor([False, False,  True])

# 逻辑或
c = torch.logical_or(a, b)
print(c)  # 输出: tensor([ True, False,  True])
1
2
3
4
5
6
7
8
9
10

常见的高级操作

广播机制:

a = torch.tensor([1, 2, 3])
b = torch.tensor([[1], [2], [3]])

# 广播机制
c = a + b
print(c)
# 输出:
# tensor([[2, 3, 4],
#         [3, 4, 5],
#         [4, 5, 6]])
1
2
3
4
5
6
7
8
9
10

自动梯度计算:

x = torch.tensor([1.0, 2.0, 3.0], requires_grad=True)

# 前向传播
y = x + 2
z = y * y * 2
out = z.mean()

# 反向传播
out.backward()
print(x.grad)  # 输出: tensor([4.6667, 6.0000, 7.3333])
1
2
3
4
5
6
7
8
9
10

随机数生成

从标准正态分布中生成随机张量:

randn_tensor = torch.randn(3, 3) # 生成一个形状为 (3, 3) 的随机张量，服从标准正态分布
print(randn_tensor)
#tensor([[ 1.2335, -0.3941,  0.8990],
#        [ 0.0470, -1.2671,  0.3248],
#       [-0.4062, -0.6862,  0.1314]])
1
2
3
4
5

生成随机排列:

randperm_tensor = torch.randperm(10)  # 生成一个从 0 到 9 的随机排列
print(randperm_tensor)
#tensor([2, 0, 5, 1, 8, 6, 3, 4, 7, 9])
1
2
3

生成等差数列张量:

arange_tensor = torch.arange(0, 10, 2) # 生成从 0 到 10（不包括 10）的等差数列，步长为 2
print(arange_tensor)
#tensor([0, 2, 4, 6, 8])
1
2
3

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/我家自动化/article/detail/735454