Leer Wiskundige Bewerkingen met Tensors

Elementgewijze bewerkingen

Elementgewijze bewerkingen worden op elk element in de tensor individueel toegepast. Deze bewerkingen, zoals optellen, aftrekken en delen, werken vergelijkbaar met hoe ze in NumPy functioneren:


              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}")

Matrixbewerkingen

PyTorch ondersteunt ook matrixvermenigvuldiging en dotproduct, die worden uitgevoerd met de functie 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}")

Je kunt ook de @-operator gebruiken voor matrixvermenigvuldiging:


              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}")

Aggregatiebewerkingen

Aggregatiebewerkingen berekenen samenvattende statistieken uit tensors, zoals som, gemiddelde, maximum- en minimumwaarden, die kunnen worden berekend met hun respectievelijke methoden.


              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()}")

Opmerking

De float()-methode is gebruikt om het gegevenstype van de tensor om te zetten naar floating-point, omdat de mean()-methode een floating-point gegevenstype vereist. Zonder deze conversie behoudt de tensor zijn standaard integer-type, wat niet compatibel is met mean().

Aggregatiemethoden hebben ook twee optionele parameters:

dim: specificeert de dimensie (vergelijkbaar met axis in NumPy) waarlangs de bewerking wordt uitgevoerd. Standaard, als dim niet is opgegeven, wordt de bewerking toegepast op alle elementen van de tensor;
keepdim: een booleaanse vlag (False standaard). Indien ingesteld op True, wordt de gereduceerde dimensie behouden als een dimensie van grootte 1 in de uitvoer, waarbij het oorspronkelijke aantal dimensies behouden blijft.


              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 maakt bewerkingen mogelijk tussen tensors van verschillende vormen door automatisch dimensies uit te breiden. Indien een opfrissing over broadcasting nodig is, zijn meer details te vinden hier.


              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}")

Nuttige Wiskundige Functies

PyTorch biedt ook diverse wiskundige functies zoals exponentiële, logaritmische en trigonometrische functies.


              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()}")

Was alles duidelijk?

Bedankt voor je feedback!

Sectie 1. Hoofdstuk 7

Vraag AI

Vraag wat u wilt of probeer een van de voorgestelde vragen om onze chat te starten.

Veeg om het menu te tonen