深度学习pytorch——基本运算(持续更新)

基本运算------加、减、乘、除

建议直接使用运算符,函数和运算符的效果相同

代码演示:

python 复制代码
#%%
# 加减乘除
a = torch.rand(3,4)
b = torch.rand(4)
# 这里a、b可以相加,别忘了pytorch的broadcast机制
print(a+b)
print(torch.add(a,b))
print(torch.all(torch.eq(a-b,torch.sub(a,b))))  # 减
print(torch.all(torch.eq(a*b,torch.mul(a,b))))  # 乘
print(torch.all(torch.eq(a/b,torch.div(a,b))))  # 除

matmul乘

1、Torch.mm() # 仅仅适用于2维的

2、Torch.matmul()

3、@ # 和上一种的效果相同

但是这里应该注意 * 和 .matmul()的区别,* 是对于每个元素对应相乘,.matmul()是对于矩阵的相乘(矩阵相乘的不会的,建议复习一下线性代数)

代码演示:

python 复制代码
a = torch.full([2,2],3.)         # 还记得张量的创建吗,没事,我也忘了,现查以前的blog
b = torch.ones(2,2)
print(torch.mm(a,b))            # 矩阵乘法
print(torch.matmul(a,b))        # 矩阵乘法,推荐使用
print(a@b)

可以使用矩阵相乘进行降维处理(用于神经网络的全连接计算):

python 复制代码
a = torch.rand(4,784)
x = torch.rand(4,784)
w = torch.rand(512,784)
print((x@w.t()).shape)      # torch.Size([4, 512])

让我们一起探索一下matmul是如何应对4维张量的。

代码演示:

python 复制代码
a = torch.rand(4,3,28,64)
b = torch.rand(4,3,64,32)
print(torch.matmul(a,b).shape)      # 只取后2个维度进行计算,torch.Size([4, 3, 28, 32])
b = torch.rand(4,1,64,32)
print(torch.matmul(a,b).shape)      # torch.Size([4, 3, 28, 32]),知道结果为什么这样吗?不要忘记broadcast机制哦
# 但是如果b在变身一下呢?
b = torch.rand(4,64,32)
print(torch.matmul(a,b).shape)      # RuntimeError: The size of tensor a (3) must match the size of tensor b (4) at non-singleton dimension 1
# 为啥?


















# 不符合broadcast机制

power次方运算

接下来我们继续前进,探索次方运算。

python 复制代码
a = torch.full([2,2],3)
print(a.pow(2))         # 通过pow()方法进行平方根的计算,推荐这种
print(a**2)             # 也可以通过这种方式进行平方根计算
# 当然,它们都可以扩展到多次方
aa = a**2
print(aa.sqrt())        # 开根号
print(aa.rsqrt())       # 开根号后的倒数
print(aa**(0.5))

exp log

python 复制代码
a = torch.exp(torch.ones(2,2))  # tensor([[2.7183, 2.7183],[2.7183, 2.7183]]) e是多少?
print(torch.log(a))             # tensor([[1., 1.],[1., 1.]]) log默认以e为底

approximation近似值

floor():floor地板的意思,就是向下取最大的整数

ceil():ceil天花板的意思,就是向上取最小的整数

trunc():裁剪整数部分

frac():裁剪小数部分

round():四舍五入

python 复制代码
a = torch.tensor(3.14)
print(a.floor(),a.ceil(),a.trunc(),a.frac())        # tensor(3.) tensor(4.) tensor(3.) tensor(0.1400)
a = torch.tensor(3.499)
print(a.round())                                    # tensor(3.)
a = torch.tensor(3.5)
print(a.round())                                    # tensor(4.)

clamp梯度裁剪

梯度裁剪适用于梯度零散、和梯度爆炸

python 复制代码
grad = torch.rand(2,3)*15
print(grad.max())       # 取最大值
print(grad.median())    # 取中间值
print(grad.clamp(10))   # 小于10的值都变为10
print(grad.clamp(0,10)) # 在0和10之外的值取10

无善无恶心之体,有善有恶意之动,知善知恶是良知,为善去恶是格物。 ------王阳明

相关推荐
微盛AI企微管家1 分钟前
企业微信AI功能升级:选对企业微信服务商协助四大AI场景落地
大数据·人工智能·企业微信
eqwaak04 分钟前
科技信息差(9.10)
网络·人工智能·分布式·ar·智能硬件
虫无涯7 分钟前
如何使用LangChain的Python库结合DeepSeek进行多轮次对话?
人工智能
mortimer8 分钟前
精通BAT脚本:为你的Windows AI项目打造“一键启动”的完美体验
人工智能
Baihai_IDP10 分钟前
MCP 是为开发者设计的工具,而非为 LLM 而设
人工智能·面试·llm
胡乱编胡乱赢12 分钟前
在pycharm终端安装torch
ide·深度学习·pycharm·安装torch
IT_陈寒15 分钟前
SpringBoot性能翻倍的7个隐藏配置,90%开发者从不知道!
前端·人工智能·后端
深耕AI22 分钟前
PyTorch自定义模型结构详解:从基础到高级实践
人工智能·pytorch·python
Twilight-pending22 分钟前
计算机系统性能、架构设计、调度策略论文分类体系参考
人工智能·云原生·分类·数据挖掘
格林威25 分钟前
工业检测机器视觉为啥非用工业相机?普通相机差在哪?
人工智能·数码相机·yolo·计算机视觉·视觉检测·相机