【PyTorch】6.张量运算函数:一键开启!PyTorch 张量函数的宝藏工厂

目录

[1. 常见运算函数](#1. 常见运算函数)


个人主页:Icomi

专栏地址:PyTorch入门

在深度学习蓬勃发展的当下,PyTorch 是不可或缺的工具。它作为强大的深度学习框架,为构建和训练神经网络提供了高效且灵活的平台。神经网络作为人工智能的核心技术,能够处理复杂的数据模式。通过 PyTorch,我们可以轻松搭建各类神经网络模型,实现从基础到高级的人工智能应用。接下来,就让我们一同走进 PyTorch 的世界,探索神经网络与人工智能的奥秘。本系列为PyTorch入门文章,若各位大佬想持续跟进,欢迎与我交流互关。

大家好,前面我们着重探讨了掌握张量形状操作对于搭建网络模型的重要性,就如同搭建一座精密的机械装置,每个零件(张量形状)都得严丝合缝,才能确保整个装置正常运转。现在,我们又要解锁 PyTorch 赋予我们的另一大 "秘密武器"------ 为每个张量封装的众多实用计算函数。

想象一下,我们手中的张量就像是一个装满各种数据的多功能宝箱,而 PyTorch 为这个宝箱配备了一系列神奇的 "魔法工具",这些工具就是那些实用的计算函数。比如说,当我们需要了解宝箱里数据的整体平均水平时,就可以使用计算均值的函数,它就像一个精准的 "数据天平",能快速帮我们算出数据的平均值。

再看平方根函数,这就好比一个能将数据进行特定 "变形" 的神奇模具。当我们希望对张量中的每个数据进行特定数学变换时,平方根函数就能大显身手,把数据转换为平方根形式,为后续的计算或分析做好准备。

还有求和函数,它如同一个勤劳的 "数据收纳员",能将张量里的所有数据快速汇总相加,得出总和。无论是在简单的数据统计,还是复杂的网络模型计算中,这个功能都非常实用。

在我们运用 PyTorch 进行深度学习任务时,这些函数就像一群得力的助手,时刻准备为我们的计算需求提供高效支持。无论是数据预处理阶段,还是模型训练过程中的中间计算环节,它们都能发挥关键作用。

1. 常见运算函数

PyTorch 为每个张量封装很多实用的计算函数,例如计算均值、平方根、求和等等

python 复制代码
import torch


def test():

    data = torch.randint(0, 10, [2, 3], dtype=torch.float64)
    print(data)
    print('-' * 50)

    # 1. 计算均值
    # 注意: tensor 必须为 Float 或者 Double 类型
    print(data.mean())
    print(data.mean(dim=0))  # 按列计算均值
    print(data.mean(dim=1))  # 按行计算均值
    print('-' * 50)

    # 2. 计算总和
    print(data.sum())
    print(data.sum(dim=0))
    print(data.sum(dim=1))
    print('-' * 50)

    # 3. 计算平方
    print(data.pow(2))
    print('-' * 50)

    # 4. 计算平方根
    print(data.sqrt())
    print('-' * 50)

    # 5. 指数计算, e^n 次方
    print(data.exp())
    print('-' * 50)

    # 6. 对数计算
    print(data.log())  # 以 e 为底
    print(data.log2())
    print(data.log10())


if __name__ == '__main__':
    test()

运行结果:

python 复制代码
tensor([[4., 0., 7.],
        [6., 3., 5.]], dtype=torch.float64)
--------------------------------------------------
tensor(4.1667, dtype=torch.float64)
tensor([5.0000, 1.5000, 6.0000], dtype=torch.float64)
tensor([3.6667, 4.6667], dtype=torch.float64)
--------------------------------------------------
tensor(25., dtype=torch.float64)
tensor([10.,  3., 12.], dtype=torch.float64)
tensor([11., 14.], dtype=torch.float64)
--------------------------------------------------
tensor([[16.,  0., 49.],
        [36.,  9., 25.]], dtype=torch.float64)
--------------------------------------------------
tensor([[2.0000, 0.0000, 2.6458],
        [2.4495, 1.7321, 2.2361]], dtype=torch.float64)
--------------------------------------------------
tensor([[5.4598e+01, 1.0000e+00, 1.0966e+03],
        [4.0343e+02, 2.0086e+01, 1.4841e+02]], dtype=torch.float64)
--------------------------------------------------
tensor([[1.3863,   -inf, 1.9459],
        [1.7918, 1.0986, 1.6094]], dtype=torch.float64)
tensor([[2.0000,   -inf, 2.8074],
        [2.5850, 1.5850, 2.3219]], dtype=torch.float64)
tensor([[0.6021,   -inf, 0.8451],
        [0.7782, 0.4771, 0.6990]], dtype=torch.float64)
相关推荐
小汉堡编程23 分钟前
数据结构——vector数组c++(超详细)
数据结构·c++
SHIPKING39323 分钟前
【机器学习&深度学习】什么是下游任务模型?
人工智能·深度学习·机器学习
巴伦是只猫29 分钟前
【机器学习笔记Ⅰ】11 多项式回归
笔记·机器学习·回归
子燕若水4 小时前
Unreal Engine 5中的AI知识
人工智能
极限实验室5 小时前
Coco AI 实战(一):Coco Server Linux 平台部署
人工智能
tan180°5 小时前
MySQL表的操作(3)
linux·数据库·c++·vscode·后端·mysql
杨过过儿6 小时前
【学习笔记】4.1 什么是 LLM
人工智能
巴伦是只猫6 小时前
【机器学习笔记Ⅰ】13 正则化代价函数
人工智能·笔记·机器学习
学不动CV了6 小时前
ARM单片机启动流程(二)(详细解析)
c语言·arm开发·stm32·单片机·51单片机
伍哥的传说6 小时前
React 各颜色转换方法、颜色值换算工具HEX、RGB/RGBA、HSL/HSLA、HSV、CMYK
深度学习·神经网络·react.js