Pytorch使用教学8-张量的科学运算

在介绍完PyTorch中的广播运算后,继续为大家介绍PyTorch的内置数学运算:

  • 首先对内置函数有一个功能印象,知道它的存在,使用时再查具体怎么用
  • 其次,我还会介绍PyTorch科学运算的注意事项与一些实用小技巧

1 基本数学运算

函数 功能
torch.add(t1,t2 ) 等效于t1+t2
torch.sub(t1,t2) 等效于t1-t2
torch.mul(t1,t2) 等效于t1*t2
torch.div(t1,t2) 等效于t1/t2

2 进行数值调整

Python 复制代码
t = torch.randn(5)
t
# tensor([ 0.3806,  0.9064, -1.9179,  2.0816, -0.4153])

返回绝对值

Python 复制代码
torch.abs(t)
# tensor([0.3806, 0.9064, 1.9179, 2.0816, 0.4153])

返回相反数

Python 复制代码
torch.neg(t)
# tensor([-0.3806, -0.9064,  1.9179, -2.0816,  0.4153])

四舍五入

Python 复制代码
torch.round(t)
# tensor([ 0.,  1., -2.,  2., -0.])

向上取整

Python 复制代码
torch.ceil(t) 
# tensor([ 1.,  1., -1.,  3., -0.])

向下取整

Python 复制代码
torch.floor(t)
# tensor([ 0.,  0., -2.,  2., -1.])

:虽然此类型函数并不会对原对象进行调整,而是输出新的结果。

Python 复制代码
# t本身并未发生变化
t
# tensor([ 0.3806,  0.9064, -1.9179,  2.0816, -0.4153])

若要对原对象本身进行修改,可使用方法_()

Python 复制代码
# 使用方法_()
t.round_()
# tensor([ 0.,  1., -2.,  2., -0.])

# 原对象也进行了改变
t
# tensor([ 0.,  1., -2.,  2., -0.])

3 常用科学计算

需要注意的有以下两点:

  • 因为张量能指定在CPU或者GPU上运行,因此tensor的大多数科学计算只能作用于tensor对象,而不能和Python对象混用
Python 复制代码
# 计算3的3次方
torch.pow(3, 3)
# TypeError

torch.pow(torch.tensor(3), 3)
# tensor(27)
  • 由于会涉及GPU计算,所以对运算结果一般是小数的函数,要求函数只能输入浮点型张量,而不能是整型
Python 复制代码
t = torch.arange(1, 4)
t.dtype
# torch.int64
torch.exp(t)
# RuntimeError

torch.exp(t.float())
# tensor([1.0000, 2.7183, 0.1353, 7.3891, 1.0000])

其他常用科学计算有:

数学运算函数 数学公式 功能
幂运算
torch.exp(t) $ y_{i} = e^{x_{i}} $ 返回以e为底、t中元素为幂的张量
torch.pow(t,n) $\text{out}_i = t ^ \text{n} $ 返回t的n次幂
torch.sqrt(t) $ \text{out} = \sqrt{\text{input}} $ 返回t的平方根
torch.square(t) $ \text{out}_i = x_i ^ \text{2} $ 返回输入的元素平方
对数运算
torch.log10(t) $ y_{i} = \log_{10} (x_{i}) $ 返回以10为底的t的对数
torch.log(t) $ y_{i} = \log_{e} (x_{i}) $ 返回以e为底的t的对数
torch.log2(t) $ y_{i} = \log_{2} (x_{i}) $ 返回以2为底的t的对数
torch.log1p(t) $ y_i = \log_{e} (x_i $ + 1) 返回一个加自然对数的输入数组。
三角运算
torch.sin(t) 正弦
torch.cos(t) 余弦
torch.tan(t) 正切

4 统计分析

此类计算是对某张量进行某种总结,最后得出一个具体总结值的函数。

函数 功能
torch.mean(t) 返回张量均值
torch.var(t) 返回张量方差
torch.std(t) 返回张量标准差
torch.var_mean(t) 返回张量方差和均值
torch.std_mean(t) 返回张量标准差和均值
torch.max(t) 返回张量最大值
torch.argmax(t) 返回张量最大值索引
torch.min(t) 返回张量最小值
torch.argmin(t) 返回张量最小值索引
torch.median(t) 返回张量中位数
torch.sum(t) 返回张量求和结果
torch.logsumexp(t) 返回张量各元素求和结果,适用于数据量较小的情况
torch.prod(t) 返回张量累乘结果
torch.dist(t1, t2) 计算两个张量的闵式距离,可使用不同范式
torch.topk(t) 返回t中最大的k个值对应的指标
  • 这里我们常用的距离公式dist(),为闵可夫斯基距离,通过输入不同的p值,可方便计算曼哈顿距离、欧拉距离:
Python 复制代码
# 输入float型
t1 = torch.tensor([1, 2, 3]).float()
t2 = torch.tensor([4, 5, 6]).float()

# 计算曼哈顿距离
torch.dist(t1, t2, 1)
# tensor(9.)

# 计算欧拉距离
torch.dist(t1, t2, 2)
# tensor(5.1962)
  • 统计分析是一个张量序列返回一个结果,因此若是针对高维张量,则可指定某维度进行计算:
Python 复制代码
# 创建一个3*3的二维张量
t2 = torch.arange(6).float().reshape(2, 3)
t2

# 按照第一个维度求和(按列求和)
torch.sum(t2, dim = 0)
# tensor([3., 5., 7.])

理解为:按照第一个维度是行,所以将每行对应元素相加,就是按列求和。

这里一定要将dim参数和shape返回结果一一对应。不理解的同学可看

Python 复制代码
# 创建一个2*3*4的三维张量
t3 = torch.arange(24).float().reshape(2, 3, 4)
t3
# tensor([[[ 0.,  1.,  2.,  3.],
#          [ 4.,  5.,  6.,  7.],
#          [ 8.,  9., 10., 11.]],

#         [[12., 13., 14., 15.],
#          [16., 17., 18., 19.],
#          [20., 21., 22., 23.]]])

# 第一维度是代表几个二维矩阵,就是二维矩阵的对应位置相加
torch.sum(t3, dim = 0)
# tensor([[12., 14., 16., 18.],
#         [20., 22., 24., 26.],
#         [28., 30., 32., 34.]])
        
# 第二个维度代表行,就是向量,每个二维矩阵中的向量对应位置相加
torch.sum(t3, dim = 1)
# tensor([[12., 15., 18., 21.],
#         [48., 51., 54., 57.]])

# 第三个维度是列,就是零维张量,就是每个向量进行相加
torch.sum(t3, dim = 2)
# tensor([[ 6., 22., 38.],
#         [54., 70., 86.]])

这样理解维度是不是清晰明了?

5 比较运算

常用于不同张量之间的逻辑运算,最终返回布尔值。需要注意的是eq()equal()的区别。

Python 复制代码
t1 = torch.tensor([1.0, 2, 4])
t2 = torch.tensor([1.0, 2, 5])

比较各元素是否相等

Python 复制代码
torch.eq(t1, t2) 
# tensor([ True,  True, False])

# 等效t1 == t2
t1 == t2
# tensor([ True,  True, False])

判断是否是相同的张量

Python 复制代码
torch.equal(t1, t2) 
# False

其它比较计算还有:

函数 功能
torch.gt(t1, t2) 比较t1各元素是否大于t2各元素,等效>
torch.lt(t1, t2) 比较t1各元素是否小于t2各元素,等效<
torch.ge(t1, t2) 比较t1各元素是否大于或等于t2各元素,等效>=
torch.le(t1, t2) 比较t1各元素是否小于等于t2各元素,等效<=
torch.ne(t1, t2) 比较t1、t2各元素是否不相同,等效!=

Pytorch张量操作大全:

Pytorch使用教学1-Tensor的创建
Pytorch使用教学2-Tensor的维度
Pytorch使用教学3-特殊张量的创建与类型转化
Pytorch使用教学4-张量的索引
Pytorch使用教学5-视图view与reshape的区别
Pytorch使用教学6-张量的分割与合并
Pytorch使用教学7-张量的广播
Pytorch使用教学8-张量的科学运算
Pytorch使用教学9-张量的线性代数运算
Pytorch使用教学10-张量操作方法大总结

有关Pytorch建模相关的AI干货请扫码关注公众号「AI有温度」阅读获取

相关推荐
孙同学要努力1 小时前
全连接神经网络案例——手写数字识别
人工智能·深度学习·神经网络
Eric.Lee20211 小时前
yolo v5 开源项目
人工智能·yolo·目标检测·计算机视觉
其实吧32 小时前
基于Matlab的图像融合研究设计
人工智能·计算机视觉·matlab
丕羽2 小时前
【Pytorch】基本语法
人工智能·pytorch·python
ctrey_2 小时前
2024-11-1 学习人工智能的Day20 openCV(2)
人工智能·opencv·学习
bryant_meng3 小时前
【python】Distribution
开发语言·python·分布函数·常用分布
SongYuLong的博客3 小时前
Air780E基于LuatOS编程开发
人工智能
Jina AI3 小时前
RAG 系统的分块难题:小型语言模型如何找到最佳断点?
人工智能·语言模型·自然语言处理
-派神-3 小时前
大语言模型(LLM)量化基础知识(一)
人工智能·语言模型·自然语言处理
johnny_hhh3 小时前
AI大模型重塑软件开发流程:定义、应用场景、优势、挑战及未来展望
人工智能