Вивчайте Математичні Операції з Тензорами

Поелементні операції

Поелементні операції застосовуються до кожного елемента тензора окремо. Такі операції, як додавання, віднімання та ділення, працюють аналогічно до операцій у 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}")

Матричні операції

PyTorch також підтримує матричне множення та скалярний добуток, які виконуються за допомогою функції 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}")

Можна також використовувати оператор @ для множення матриць:


              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}")

Операції агрегації

Операції агрегації обчислюють зведену статистику з тензорів, таку як сума, середнє, максимальні та мінімальні значення, які можна отримати за допомогою відповідних методів.


              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()}")

Примітка

Ми використали метод float(), щоб перетворити тип даних тензора на число з плаваючою комою, оскільки метод mean() вимагає саме такого типу даних. Без цього перетворення тензор зберігає тип цілих чисел за замовчуванням, який несумісний із mean().

Методи агрегації також мають два необов'язкових параметри:

dim: визначає вимір (аналогічно до axis у NumPy), вздовж якого виконується операція. За замовчуванням, якщо dim не вказано, операція застосовується до всіх елементів тензора;
keepdim: булевий прапорець (за замовчуванням False). Якщо встановлено у True, зменшений вимір зберігається як розмірність 1 у результаті, зберігаючи початкову кількість вимірів.


              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

Бродкастинг дозволяє виконувати операції між тензорами різних форм за рахунок автоматичного розширення вимірів. Якщо потрібне оновлення знань щодо бродкастингу, детальніше можна дізнатися тут.


              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}")

Корисні математичні функції

PyTorch також надає різноманітні математичні функції, такі як експоненти, логарифми та тригонометричні функції.


              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()}")

Все було зрозуміло?

Дякуємо за ваш відгук!

Секція 1. Розділ 7

Запитати АІ

Запитайте про що завгодно або спробуйте одне із запропонованих запитань, щоб почати наш чат

Свайпніть щоб показати меню