torch张量与函数表达式写法

如何表达x y x^2y

通常一个输入是成批的,即有batch个样本为一组一起输入

input.shape为------(batch,input_length)

input_length通常为变量的长度,例:二元函数,input length=2

5个一组,二元函数,输入为(5,2)

张量input=

|----|----|
| x1 | y1 |
| x2 | y2 |
| x3 | y3 |
| x4 | y4 |
| x5 | y5 |

提取x向量:x=input[:,0]

提取x向量:y=input[:,1]

之后就是随心所欲地带入表达式来

x^2y= x**2*y

torch.stack,dim是沿着哪个方向堆叠

torch.stack 是 PyTorch 中的一个函数,用于将一系列张量沿着一个新的维度堆叠起来。这个新维度是用户指定的,它将成为返回张量的一个维度。

以下是 torch.stack 的基本用法:

复制代码
torch.stack(tensors, dim=0, out=None) -> Tensor
  • tensors: 一个张量序列。所有的张量都应该有相同的形状。
  • dim: 新的堆叠维度。这个维度将位于返回张量的第 dim 个位置。
  • out: (可选)输出张量。

例子

假设我们有三个形状为 (2, 3) 的张量,我们想要将它们沿着一个新的维度堆叠起来。

复制代码
import torch

# 创建三个形状为 (2, 3) 的张量
t1 = torch.tensor([[1, 2, 3], [4, 5, 6]])
t2 = torch.tensor([[7, 8, 9], [10, 11, 12]])
t3 = torch.tensor([[13, 14, 15], [16, 17, 18]])

# 将它们沿着一个新的维度堆叠起来
# 这里 dim=0,意味着新维度将位于最前面
stacked = torch.stack((t1, t2, t3), dim=0)

print(stacked)

tensor([[[ 1,  2,  3],
         [ 4,  5,  6]],

        [[ 7,  8,  9],
         [10, 11, 12]],

        [[13, 14, 15],
         [16, 17, 18]]])

返回的张量 stacked 的形状是 (3, 2, 3)。这是因为我们沿着新的第一个维度(dim=0)堆叠了三个形状为 (2, 3) 的张量。

如果我们想要沿着第二个维度堆叠,可以这样操作:

复制代码
# 将它们沿着第二个维度堆叠起来
stacked = torch.stack((t1, t2, t3), dim=1)

print(stacked)

输出将是:

复制代码
tensor([[[ 1,  2,  3],
         [ 7,  8,  9],
         [13, 14, 15]],

        [[ 4,  5,  6],
         [10, 11, 12],
         [16, 17, 18]]])

在这个例子中,返回的张量 stacked 的形状是 (2, 3, 3),因为我们沿着第二个维度(dim=1)堆叠了三个张量。

注意,所有被堆叠的张量必须具有相同的形状,否则 torch.stack 将无法执行。

torch里的autograd里的jacobi求法

1.x的shape为(a,b),f(x)输出为(c,)长度的向量。

autograd.functional.jacobian(f, x, create_graph=create_graph)输出形状是什么?

答案是:(c,a,b)

2.x的shape为(a,b),f(x)输出为(a,c)

autograd.functional.jacobian(f, x, create_graph=create_graph)输出形状是什么?

答案是(a,c,a,b)

python 复制代码
import torch
from torch.autograd.functional import jacobian

# 假设 f 是一个函数,它接受一个形状为 (a, b) 的张量 x,并输出一个形状为 (c,) 的张量
def f(x):
    # (x2+y2+xy,x2+y,y3)
    fx=x[:,0],x[:,1],x[:,0]*x[:,1]#x[:,0]**2+x[:,1]**2+x[:,0]*x[:,1],x[:,0]**2+x[:,1],x[:,1]**3
    op=torch.stack(fx,dim=1)#为了让第一个维度为batch,dim取1表示横着排列
#     print("op.shape",op.shape)
#     op_sum=op.sum(dim=0)#让
#     print("op_Sum.shape",op_sum.shape)
    return op
    
# 假设 x 的形状为 (a, b)
a, b = 5, 2  # 示例维度
x = torch.randn(a, b)

# 计算 f 在 x 处的雅可比矩阵
J = jacobian(f, x)
print(x.shape)

print(f(x).shape)
# 检查雅可比矩阵的形状
print(J.shape)  # 应该输出 (c, a, b)

输出------

复制代码
torch.Size([5, 2])
torch.Size([5, 3])
torch.Size([5, 3, 5, 2])

这样比较乱,通常将不同批次的相同变量相加(dim=0de)

,,)得到的这个东西去求jacobi,由于相加互不影响,结果是一样的

,减少计算了。

python 复制代码
import torch
from torch.autograd.functional import jacobian

# 假设 f 是一个函数,它接受一个形状为 (a, b) 的张量 x,并输出一个形状为 (c,) 的张量
def f(x):
    # (x2+y2+xy,x2+y,y3)
    fx=x[:,0],x[:,1],x[:,0]*x[:,1]#x[:,0]**2+x[:,1]**2+x[:,0]*x[:,1],x[:,0]**2+x[:,1],x[:,1]**3
    op=torch.stack(fx,dim=1)#为了让第一个维度为batch,dim取1表示横着排列
#     print("op.shape",op.shape)
    op_sum=op.sum(dim=0)#让不同批次同一位置的向量相加
#     print("op_Sum.shape",op_sum.shape)
    return op_sum
    
# 假设 x 的形状为 (a, b)
a, b = 5, 2  # 示例维度
x = torch.randn(a, b)

# 计算 f 在 x 处的雅可比矩阵
J = jacobian(f, x)
print(x.shape)

print(f(x).shape)
# 检查雅可比矩阵的形状
print(J.shape)  # 应该输出 (c, a, b)

输出

复制代码
torch.Size([5, 2])
torch.Size([3])
torch.Size([3, 5, 2])

f是(x,y,xy),J是如是算出的jacobi矩阵

相关推荐
IT_陈寒7 分钟前
Vue3性能优化实战:这7个技巧让我的应用加载速度提升50%!
前端·人工智能·后端
GIS数据转换器9 分钟前
带高度多边形,生成3D建筑模型,支持多种颜色或纹理的OBJ、GLTF、3DTiles格式
数据库·人工智能·机器学习·3d·重构·无人机
茜茜西西CeCe10 分钟前
数字图像处理-图像编码与压缩
人工智能·计算机视觉·matlab·数字图像处理·图像压缩·图像编码
一人の梅雨23 分钟前
大麦网关键词列表接口的产业级实现:从演出聚合到市场趋势预测的全维度技术方案
大数据·数据库·人工智能
阿_旭25 分钟前
基于深度学习的甲状腺结节智能检测分割与诊断系统【python源码+Pyqt5界面+数据集+训练代码】
人工智能·python·深度学习·甲状腺结节检测
woshihonghonga28 分钟前
PyTorch矩阵乘法函数区别解析与矩阵高级索引说明——《动手学深度学习》3.6.3、3.6.4和3.6.5 (P79)
人工智能·pytorch·python·深度学习·jupyter·矩阵
CLubiy28 分钟前
【研究生随笔】Pytorch中的线性代数(微分)
人工智能·pytorch·深度学习·线性代数·梯度·微分
美狐美颜SDK开放平台29 分钟前
直播美颜SDK功能开发实录:自然妆感算法、人脸跟踪与AI美颜技术
人工智能·深度学习·算法·美颜sdk·直播美颜sdk·美颜api
明朝百晓生2 小时前
强化学习【Monte Carlo Learning][MC Basic 算法]
人工智能·机器学习
云知谷6 小时前
【C++基本功】C++适合做什么,哪些领域适合哪些领域不适合?
c语言·开发语言·c++·人工智能·团队开发