Lära Matematiska Operationer med Tensorer

Svep för att visa menyn

Elementvisa operationer

Elementvisa operationer tillämpas på varje element i tensorn individuellt. Dessa operationer, såsom addition, subtraktion och division, fungerar på liknande sätt som i 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}")

Matrisoperationer

PyTorch stöder även matrismultiplikation och skalärprodukt, vilka utförs med funktionen 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}")

Du kan också använda operatorn @ för matrismultiplikation:


              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}")

Aggregeringsoperationer

Aggregeringsoperationer beräknar sammanfattande statistik från tensorer, såsom summa, medelvärde, maximalt och minimalt värde, vilka kan beräknas med deras respektive metoder.


              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()}")

Aggregeringsmetoder har också två valfria parametrar:

dim: specificerar dimensionen (på liknande sätt som axis i NumPy) längs vilken operationen tillämpas. Som standard, om dim inte anges, tillämpas operationen på alla element i tensorn;
keepdim: en boolesk flagga (False som standard). Om den är satt till True, behålls den reducerade dimensionen som en dimension av storlek 1 i resultatet, vilket bevarar det ursprungliga antalet dimensioner.


              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 möjliggör operationer mellan tensorer med olika former genom att automatiskt expandera dimensionerna. Om du behöver en repetition om broadcasting kan du hitta mer information här.


              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}")

Användbara matematiska funktioner

PyTorch tillhandahåller även olika matematiska funktioner såsom exponenter, logaritmer och trigonometriska funktioner.


              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()}")

Var allt tydligt?

Tack för dina kommentarer!

Avsnitt 1. Kapitel 7

Fråga AI

Fråga vad du vill eller prova någon av de föreslagna frågorna för att starta vårt samtal

Avsnitt 1. Kapitel 7