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

[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)