Aprende Operaciones Matemáticas con Tensores

Operaciones elemento a elemento

Las operaciones elemento a elemento se aplican a cada elemento del tensor de forma individual. Estas operaciones, como suma, resta y división, funcionan de manera similar a como lo hacen en NumPy:


              123456789101112131415
            
import torch
a = torch.tensor([1, 2, 3])
b = torch.tensor([4, 5, 6])
# Element-wise addition
addition_result = a + b
print(f"Addition: {addition_result}")
# Element-wise subtraction
subtraction_result = a - b
print(f"Subtraction: {subtraction_result}")
# Element-wise multiplication
multiplication_result = a * b
print(f"Multiplication: {multiplication_result}")
# Element-wise division
division_result = a / b
print(f"Division: {division_result}")

Operaciones matriciales

PyTorch también admite la multiplicación de matrices y el producto punto, que se realizan utilizando la función torch.matmul():


              123456
            
import torch
x = torch.tensor([[1, 2], [3, 4]])
y = torch.tensor([[5, 6], [7, 8]])
# Matrix multiplication
z = torch.matmul(x, y)
print(f"Matrix multiplication: {z}")

También se puede utilizar el operador @ para la multiplicación de matrices:


              12345
            
import torch
x = torch.tensor([[1, 2], [3, 4]])
y = torch.tensor([[5, 6], [7, 8]])
z = x @ y
print(f"Matrix Multiplication with @: {z}")

Operaciones de agregación

Las operaciones de agregación calculan estadísticas resumidas a partir de tensores, como los valores de suma, media, máximo y mínimo, que pueden calcularse utilizando sus respectivos métodos.


              12345678910
            
import torch
tensor = torch.tensor([[1, 2, 3], [4, 5, 6]]).float()
# Sum of all elements
print(f"Sum: {tensor.sum()}")
# Mean of all elements
print(f"Mean: {tensor.mean()}")
# Maximum value
print(f"Max: {tensor.max()}")
# Minimum value
print(f"Min: {tensor.min()}")

Los métodos de agregación también tienen dos parámetros opcionales:

dim: especifica la dimensión (de manera similar a axis en NumPy) a lo largo de la cual se aplica la operación. Por defecto, si no se proporciona dim, la operación se aplica a todos los elementos del tensor;
keepdim: indicador booleano (False por defecto). Si se establece en True, la dimensión reducida se mantiene como una dimensión de tamaño 1 en la salida, preservando el número original de dimensiones.


              12345678
            
import torch
tensor = torch.tensor([[1, 2, 3], [4, 5, 6]])
# Aggregation operations along specific dimensions
print(f"Sum along rows (dim=1): {tensor.sum(dim=1)}")
print(f"Sum along columns (dim=0): {tensor.sum(dim=0)}")
# Aggregation with keepdim=True
print(f"Sum along rows with keepdim (dim=1): {tensor.sum(dim=1, keepdim=True)}")
print(f"Sum along columns with keepdim (dim=0): {tensor.sum(dim=0, keepdim=True)}")

Broadcasting

Broadcasting permite operaciones entre tensores de diferentes formas al expandir automáticamente las dimensiones. Si necesita un repaso sobre broadcasting, puede encontrar más detalles aquí.


              123456
            
import torch
a = torch.tensor([[1, 2, 3]])  # Shape (1, 3)
b = torch.tensor([[4], [5]])  # Shape (2, 1)
# Broadcasting addition
c = a + b
print(f"Broadcasted addition: {c}")

Funciones matemáticas útiles

PyTorch también proporciona varias funciones matemáticas como exponenciales, logaritmos y funciones trigonométricas.


              1234567
            
tensor = torch.tensor([1.0, 2.0, 3.0])
# Exponentiation
print(f"Exponent: {tensor.exp()}")
# Logarithm
print(f"Logarithm: {tensor.log()}")
# Sine
print(f"Sine: {tensor.sin()}")

¿Todo estuvo claro?

¡Gracias por tus comentarios!

Sección 1. Capítulo 7

Pregunte a AI

Pregunte lo que quiera o pruebe una de las preguntas sugeridas para comenzar nuestra charla

Suggested prompts:

Can you explain more about how broadcasting works in PyTorch?

What are some other common aggregation operations in PyTorch?

How do I choose between element-wise and matrix operations?

Awesome!

Completion rate improved to 5

Desliza para mostrar el menú