Lära Matematiska Operationer med Tensorer

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 även 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, maximum och minimum, 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()}")

Notera

Vi använde metoden float() för att konvertera tensorens datatyp till flyttal eftersom metoden mean() kräver en flyttalsdatatyp. Utan denna konvertering behåller tensorn sin standard heltalstyp, vilket är inkompatibelt med mean().

Aggregeringsmetoder har också två valfria parametrar:

dim: anger dimensionen (på liknande sätt som axis i NumPy) längs vilken operationen utförs. Som standard, om dim inte anges, utförs 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 utdata, 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 utöka 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 exponentialer, 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

Svep för att visa menyn