【PyTorch】PyTorch中张量(Tensor)计算操作

PyTorch深度学习总结

第五章 PyTorch中张量(Tensor)计算操作

文章目录

PyTorch深度学习总结
前言
一、张量比较大小
二、基本运算
- 1、四则运算(加减乘除)
- 2、其他计算

前言

上文介绍了PyTorch中张量(Tensor)的拆分和拼接操作，本文将介绍张量的计算操作。

一、张量比较大小

函数	描述
torch.allclose()	比较两个元素是否接近
torch.eq()	逐元素比较是否相等
torch.equal()	判断两个张量是否具有相同的形状和元素
torch.ge()	逐元素比较大于等于
torch.gt()	逐元素比较大于
torch.le()	逐元素比较小于等于
torch.lt()	逐元素比较小于
torch.ne()	逐元素比较不等于
torch.isnan()	判断是否为缺失值

1、torch.allclose()

函数用法：
torch.allclose(A, B, rtol=,atol=)

判断是否接近的公式如下：
∣ A − B ∣ ≤ a t o l + r t o l × ∣ B ∣ . |A-B| \leq atol+rtol\times|B|\,. ∣A−B∣≤atol+rtol×∣B∣.
python 复制代码
# 引入库
import torch

# 创建张量A
A = torch.tensor([10.0, 10.0])

# 测试函数
print(torch.allclose(A, A, rtol=0.1, atol=0.01,equal_nan=False))
输出结果为：False

2、torch.eq()和torch.equal()

①函数用法：
torch.eq(A, B)

主要比较元素之间的关系，即两个对应元素是否相等。
python 复制代码
# 测试函数
print(torch.eq(A, A))
输出结果为：tensor( $True, True$ )

②函数用法：
torch.equal(A, B)

主要比较张量之间的关系，即两个张量形状和大小是否相等。
python 复制代码
# 测试函数
print(torch.equal(A, A))
输出结果为：True

3、ge、gt、le、lt、ne函数

函数用法：
torch.ge(A, B)

主要用于逐元素比较，看是否大于等于( ≥ \geq ≥)。

注：以上几个函数除本身意义不同外，其他用法几乎相同；故本文只针对torch.ge()进行展示。
python 复制代码
# 生成张量
B = torch.tensor([11.0, 9.0])

# 测试函数
print(torch.ge(A, B))
输出结果为：tensor( $False, True$ )

4、torch.isnan()

函数用法：
torch.isnan(A)

判断张量A对应元素是否为缺失值。
python 复制代码
print(torch.isnan(A))
print(torch.isnan(torch.tensor([0, 1, float("nan")])))
输出结果：

tensor( $False, False$ )

tensor( $False, False, True$ )

二、基本运算

1、四则运算(加减乘除)

生成试验数组:
python 复制代码
# 引入库
import torch

# 生成张量
A = torch.arange(6).reshape(2,3)
B = torch.linspace(1, 6, steps=6).reshape(2,3) # 在1-6之间生成5个等步长的元素组成张量
print(A, B)
输出结果为：

tensor( $\[0, 1, 2$ , $3, 4, 5$ ])

tensor( $\[1., 2., 3.$ , $4., 5., 6.$ ])

加减乘除运算为：+、-、*、/

整除：//

幂运算为：torch.pow()或**

示例：
python 复制代码
print(A+B)
print(A-B)
print(A*B)
print(A/B)
print(B//A)
print(A**2)
print(torch.pow(A, 2))
输出结果为：

tensor( $\[ 1., 3., 5.$ , $7., 9., 11.$ ])

tensor( $\[-1., -1., -1.$ , $-1., -1., -1.$ ])

tensor( $\[ 0., 2., 6.$ , $12., 20., 30.$ ])

tensor( $\[0.0000, 0.5000, 0.6667$ , $0.7500, 0.8000, 0.8333$ ])

tensor( $\[inf, 2., 1.$ , $1., 1., 1.$ ])

tensor( $\[ 0, 1, 4$ , $9, 16, 25$ ])

tensor( $\[ 0, 1, 4$ , $9, 16, 25$ ])

2、其他计算

函数	描述
torch.exp()	张量的指数函数
torch.log()	张量的对数函数
torch.sqrt()	张量的平方根
torch.clamp_max()	根据最大值裁剪
torch.clamp_min()	根据最小值裁剪
torch.clamp()	根据范围裁剪
torch.t()	计算矩阵的转置
torch.matmul()	计算矩阵的转置
torch.inverse()	计算矩阵的逆矩阵
torch.trace()	计算矩阵的迹