文章目录
- PyTorch基础------张量计算
-
- [1 什么是张量计算?](#1 什么是张量计算?)
- [2 基本算术运算](#2 基本算术运算)
-
- [2.1 加法运算](#2.1 加法运算)
-
- [2.1.2 `torch.add`](#2.1.2
torch.add
) - [2.1.3 `a.add(b) 与 a.add_(b)`](#2.1.3
a.add(b) 与 a.add_(b)
) -
- [`a.add(b)` 方法](#
a.add(b)
方法) - [`a.add_(b)` 方法](#
a.add_(b)
方法) - 核心区别
- [`a.add(b)` 方法](#
- [2.1.2 `torch.add`](#2.1.2
- [2.2 减法运算](#2.2 减法运算)
- [2.3 乘法运算](#2.3 乘法运算)
- [2.4 除法运算](#2.4 除法运算)
- [3 矩阵运算](#3 矩阵运算)
-
- [3.1 矩阵乘法](#3.1 矩阵乘法)
- [3.2 高维张量的矩阵乘法](#3.2 高维张量的矩阵乘法)
- [3.3 矩阵转置](#3.3 矩阵转置)
- [4 广播机制(Broadcasting)](#4 广播机制(Broadcasting))
-
- [4.1 广播的基本规则](#4.1 广播的基本规则)
- [5 统计运算](#5 统计运算)
-
- [5.1 求和运算](#5.1 求和运算)
- [5.2 均值运算](#5.2 均值运算)
- [5.3 最大值和最小值](#5.3 最大值和最小值)
- [5.4 累加运算](#5.4 累加运算)
- [6 张量的其他常用运算](#6 张量的其他常用运算)
-
- [6.1 幂运算](#6.1 幂运算)
-
- [6.1.1 通用计算](#6.1.1 通用计算)
- [6.1.2 底数为e的幂运算](#6.1.2 底数为e的幂运算)
- [6.2 平方根](#6.2 平方根)
- [6.3 指数和对数运算](#6.3 指数和对数运算)
- [7 自动求导(Autograd)与张量计算](#7 自动求导(Autograd)与张量计算)
-
- [7.1 基本概念](#7.1 基本概念)
- [7.2 自动求导示例](#7.2 自动求导示例)
- [7.3 多变量函数的求导](#7.3 多变量函数的求导)
- [8 GPU 加速的张量计算](#8 GPU 加速的张量计算)
-
- [8.1 张量的设备迁移](#8.1 张量的设备迁移)
- [8.1 张量的设备迁移](#8.1 张量的设备迁移)
PyTorch基础------张量计算
张量是PyTorch中所有操作的基础,类似于多维数组,支持GPU加速和自动求导等高级功能。本篇
博客将专门从基础运算开始,聚焦于张是的计算部分
1 什么是张量计算?
张量计算指的是对张量进行的各种数学操作,包括基本算术运算、矩阵运算、统计运算等。这些操作是构建神经网络和实现机器学习算法的基础。与普通的 Python 数值计算不同,PyTorch 的张量计算可以自动并行化并利用 GPU 加速,大幅提高计算效率。
2 基本算术运算
PyTorch 提供了丰富的算术运算函数,既可以通过运算符直接操作,也可以通过 torch
模块中的函数进行操作。这些运算均为元素级操作(element-wise operation),即对两个张量对应位置的元素分别进行计算。
2.1 加法运算
2.1.2 torch.add
函数形式 :torch.add(input, other, out=None)
- 参数解析 :
input
:第一个输入张量other
:第二个输入张量(或一个标量)out
:可选参数,用于指定输出张量
计算原理 :
加法运算对两个张量的对应元素进行求和。
- 若为两个张量相加:
result[i][j] = input[i][j] + other[i][j]
- 若为张量与标量相加:
result[i][j] = input[i][j] + scalar
手算示例:
张量 a: [[1, 2],
[3, 4]]
张量 b: [[5, 6],
[7, 8]]
a + b 的结果:
[[1+5, 2+6],
[3+7, 4+8]] = [[6, 8], [10, 12]]
代码示例:
python
import torch
# 创建两个张量
a = torch.tensor([1, 2, 3], dtype=torch.float32)
b = torch.tensor([4, 5, 6], dtype=torch.float32)
# 方法1:使用运算符
c = a + b
print("a + b =",c)
# 方法2:使用torch.add()函数
print("torch.add(a, b) =", torch.add(a, b))
# 与标量相加
print("a + 10 =", a + 10)
print("torch.add(a, 10) =", torch.add(a, 10))
运行结果:
a + b = tensor([5., 7., 9.])
torch.add(a, b) = tensor([5., 7., 9.])
a + 10 = tensor([11., 12., 13.])
torch.add(a, 10) = tensor([11., 12., 13.])
结果分析:加法运算会对张量的每个元素执行相应操作,当与标量相加时,标量会自动广播(broadcast)到与张量相同的形状。
2.1.3 a.add(b) 与 a.add_(b)
在 PyTorch 中,a.add(b)
和 a.add_(b)
都是用于实现张量加法的方法,但它们的核心区别在于是否修改原张量。这是 PyTorch 中非常重要的一个设计理念,理解这个区别有助于避免代码中出现意外的数据修改。
a.add(b)
方法
- 功能 :计算
a + b
的结果,但不会修改原张量a
,而是返回一个新的张量来存储计算结果。 - 特点:属于「非原地操作」(non-inplace operation),原张量的数据保持不变。
代码示例:
python
import torch
a = torch.tensor([1, 2, 3])
b = torch.tensor([4, 5, 6])
# 使用 a.add(b)
result = a.add(b)
print("原张量 a:", a) # 原张量 a 未被修改
print("计算结果 result:", result)
运行结果:
原张量 a: tensor([1, 2, 3])
计算结果 result: tensor([5, 6, 9])
a.add_(b)
方法
- 功能 :同样计算
a + b
的结果,但会直接修改原张量a
,将结果存储在a
中,不会创建新张量。 - 特点 :属于「原地操作」(inplace operation),方法名末尾的下划线
_
是 PyTorch 中标记原地操作的约定。
代码示例:
python
import torch
a = torch.tensor([1, 2, 3])
b = torch.tensor([4, 5, 6])
# 使用 a.add_(b)
a.add_(b) # 直接修改原张量 a
print("修改后的张量 a:", a) # 原张量 a 已被更新
运行结果:
修改后的张量 a: tensor([5, 6, 9])
核心区别
方法 | 操作类型 | 对原张量 a 的影响 |
返回值 |
---|---|---|---|
a.add(b) |
非原地操作 | 不修改,保持原值 | 新张量(存储 a + b 的结果) |
a.add_(b) |
原地操作 | 直接修改 a ,使其等于 a + b |
修改后的 a (与原张量是同一个对象) |
区分:
- 内存效率 :原地操作(
add_
)不需要创建新张量,节省内存,适合处理大规模数据。 - 计算图影响:在自动求导(Autograd)中,原地操作可能会破坏计算图的完整性,导致梯度计算错误,因此需谨慎使用。
- 代码可读性 :下划线
_
明确标记了原地操作,让其他开发者能快速识别代码中存在数据修改的地方。
实际开发中,建议优先使用非原地操作(如 a.add(b)
),除非明确需要优化内存使用,再考虑原地操作(如 a.add_(b)
)。
2.2 减法运算
2.2.1 toch.sub()
函数形式 :torch.sub(input, other, out=None)
- 参数解析 :与
torch.add()
相同,实现input - other
的运算
计算原理 :
减法运算对两个张量的对应元素进行相减。
- 若为两个张量相减:
result[i][j] = input[i][j] - other[i][j]
- 若为张量与标量相减:
result[i][j] = input[i][j] - scalar
手算示例:
张量 a: [[1, 2],
[3, 4]]
张量 b: [[5, 6],
[7, 8]]
a - b 的结果:
[[1-5, 2-6],
[3-7, 4-8]] = [[-4, -4], [-4, -4]]
代码示例:
python
# 减法运算
print("a - b =", a - b)
print("torch.sub(a, b) =", torch.sub(a, b))
print("a - 2 =", a - 2)
运行结果:
a - b = tensor([-3., -3., -3.])
torch.sub(a, b) = tensor([-3., -3., -3.])
a - 2 = tensor([-1., 0., 1.])
2.2.2 a.sub(b)
和a.sub_(b)
在 PyTorch 中,a.sub(b)
和 a.sub_(b)
都是用于实现张量减法的方法,它们的核心区别与加法操作类似,主要体现在是否修改原张量上。
a.sub(b)
方法
- 功能 :计算
a - b
的结果,但不会修改原张量a
,而是返回一个新的张量来存储计算结果。 - 特点:属于「非原地操作」(non-inplace operation),原张量的数据保持不变。
代码示例:
python
import torch
a = torch.tensor([4, 5, 6])
b = torch.tensor([1, 2, 3])
# 使用 a.sub(b)
result = a.sub(b)
print("原张量 a:", a) # 原张量 a 未被修改
print("计算结果 result:", result)
运行结果:
原张量 a: tensor([4, 5, 6])
计算结果 result: tensor([3, 3, 3])
a.sub_(b)
方法
- 功能 :同样计算
a - b
的结果,但会直接修改原张量a
,将结果存储在a
中,不会创建新张量。 - 特点 :属于「原地操作」(inplace operation),方法名末尾的下划线
_
是 PyTorch 中标记原地操作的约定。
代码示例:
python
import torch
a = torch.tensor([4, 5, 6])
b = torch.tensor([1, 2, 3])
# 使用 a.sub_(b)
a.sub_(b) # 直接修改原张量 a
print("修改后的张量 a:", a) # 原张量 a 已被更新
运行结果:
修改后的张量 a: tensor([3, 3, 3])
核心区别
方法 | 操作类型 | 对原张量 a 的影响 |
返回值 |
---|---|---|---|
a.sub(b) |
非原地操作 | 不修改,保持原值 | 新张量(存储 a - b 的结果) |
a.sub_(b) |
原地操作 | 直接修改 a ,使其等于 a - b |
修改后的 a (与原张量是同一个对象) |
使用建议
- 非原地操作(
a.sub(b)
)不会改变原始数据,适合需要保留原始张量的场景,且在自动求导中更安全。 - 原地操作(
a.sub_(b)
)节省内存空间,但会修改原始数据,在使用时需注意后续数据被覆盖的风险,尤其在构建计算图时需谨慎使用。
2.3 乘法运算
函数形式 :torch.mul(input, other, out=None)
哈达玛积,非矩阵乘法
a.mul(b)
与a.mul_(b)
同2.1-2.2的加减法操作,不作展开讲解。
- 参数解析:与加法类似,实现元素级乘法(不是矩阵乘法)
计算原理 :
乘法运算对两个张量的对应元素进行相乘(元素级乘法,element-wise multiplication)。
- 若为两个张量相乘:
result[i][j] = input[i][j] * other[i][j]
- 若为张量与标量相乘:
result[i][j] = input[i][j] * scalar
手算示例:
张量 a: [[1, 2],
[3, 4]]
张量 b: [[5, 6],
[7, 8]]
a * b 的结果:
[[1×5, 2×6],
[3×7, 4×8]] = [[5, 12], [21, 32]]
代码示例:
python
# 乘法运算(元素级)
print("a * b =", a * b)
print("torch.mul(a, b) =", torch.mul(a, b))
print("a * 3 =", a * 3)
运行结果:
a * b = tensor([ 4., 10., 18.])
torch.mul(a, b) = tensor([ 4., 10., 18.])
a * 3 = tensor([3., 6., 9.])
结果分析:这里的乘法是哈达玛积元素级乘法(element-wise multiplication),即两个张量对应位置的元素相乘,而不是线性代数中的矩阵乘法。
2.4 除法运算
函数形式 :torch.div(input, other, out=None)
a.div(b)
与a.div_(b)
同2.1-2.2的加减法操作,不作展开讲解。
- 参数解析 :实现
input / other
的元素级除法运算
计算原理 :
除法运算对两个张量的对应元素进行相除。
- 若为两个张量相除:
result[i][j] = input[i][j] / other[i][j]
- 若为张量与标量相除:
result[i][j] = input[i][j] / scalar
手算示例:
张量 a: [[1, 2],
[3, 4]]
张量 b: [[5, 6],
[7, 8]]
a / b 的结果:
[[1/5, 2/6],
[3/7, 4/8]] = [[0.2, 0.333...], [0.428..., 0.5]]
代码示例:
python
# 除法运算
print("a / b =", a / b)
print("torch.div(a, b) =", torch.div(a, b))
print("b / 2 =", b / 2)
运行结果:
a / b = tensor([0.2500, 0.4000, 0.5000])
torch.div(a, b) = tensor([0.2500, 0.4000, 0.5000])
b / 2 = tensor([2., 2.5, 3.])
3 矩阵运算
矩阵运算在深度学习中应用广泛,尤其是在全连接层和卷积层中。PyTorch 提供了多种矩阵运算函数。
3.1 矩阵乘法
二维矩阵乘法运算操作包括:torch.mm()
、torch.matmul()
、@
,不再有上面说到的类似a.add_()
的方法
函数形式 :torch.matmul(input, other, out=None)
- 参数解析 :
input
:第一个输入张量(可以是1D或更高维)other
:第二个输入张量- 对于2D张量,执行常规的矩阵乘法
- 对于1D张量,执行点积运算
计算原理 :
矩阵乘法遵循线性代数中的矩阵乘法规则。对于形状为 (m, n)
的矩阵 A
和形状为 (n, p)
的矩阵 B
,结果矩阵 C
的形状为 (m, p)
,其中每个元素 C[i][j]
是 A
的第 i
行与 B
的第 j
列的点积:
C[i][j] = A[i][0]×B[0][j] + A[i][1]×B[1][j] + ... + A[i][n-1]×B[n-1][j]
手算示例:
矩阵 A: [[1, 2],
[3, 4]]
矩阵 B: [[5, 6],
[7, 8]]
A × B 的结果:
[
[1×5 + 2×7, 1×6 + 2×8],
[3×5 + 4×7, 3×6 + 4×8]
] = [[19, 22], [43, 50]]
代码示例:
python
# 创建两个矩阵
mat1 = torch.tensor([[1, 2], [3, 4]])
mat2 = torch.tensor([[5, 6], [7, 8]])
print("矩阵1:\n", mat1)
print("矩阵2:\n", mat2)
# 方法1: 使用torch.matmul()
product1 = torch.matmul(mat1, mat2)
print("\n使用torch.matmul()的结果:\n", product1)
# 方法2: 使用@运算符
product2 = mat1 @ mat2
print("\n使用@运算符的结果:\n", product2)
# 方法3: 使用mm()方法(仅适用于2D张量)
product3 = mat1.mm(mat2)
print("\n使用mm()方法的结果:\n", product3)
# 1D张量的点积
vec1 = torch.tensor([1, 2, 3])
vec2 = torch.tensor([4, 5, 6])
print("\n向量点积:", torch.matmul(vec1, vec2))
运行结果:
矩阵1:
tensor([[1, 2],
[3, 4]])
矩阵2:
tensor([[5, 6],
[7, 8]])
使用torch.matmul()的结果:
tensor([[19, 22],
[43, 50]])
使用@运算符的结果:
tensor([[19, 22],
[43, 50]])
使用mm()方法的结果:
tensor([[19, 22],
[43, 50]])
向量点积: tensor(32)
结果分析 :矩阵乘法遵循线性代数规则,对于矩阵 mat1
(形状为 2×2
)和 mat2
(形状为 2×2
),结果是一个 2×2
的矩阵,其中每个元素 (i,j)
是 mat1
的第 i
行与 mat2
的第 j
列的点积。
3.2 高维张量的矩阵乘法
++**对于高维(Tensor(dim>2))矩阵乘法运算:**定义其矩阵乘法仅在最后的两个维度上,要求前面的维度必须保持一致,就像矩阵的索引一样并且运算操只有
torch.matmul()
++
对于高维张量(维度 > 2),torch.matmul()
会将最后两个维度视为矩阵维度进行运算:
python
# 创建3D张量(可以理解为2个2×3的矩阵)
tensor3d = torch.tensor([
[[1, 2, 3], [4, 5, 6]],
[[7, 8, 9], [10, 11, 12]]
])
# 创建另一个3D张量(2个3×2的矩阵)
tensor3d_2 = torch.tensor([
[[1, 2], [3, 4], [5, 6]],
[[7, 8], [9, 10], [11, 12]]
])
print("3D张量1形状:", tensor3d.shape)
print("3D张量2形状:", tensor3d_2.shape)
# 高维矩阵乘法
result = torch.matmul(tensor3d, tensor3d_2)
print("\n乘法结果形状:", result.shape)
print("乘法结果:\n", result)
运行结果:
3D张量1形状: torch.Size([2, 2, 3])
3D张量2形状: torch.Size([2, 3, 2])
乘法结果形状: torch.Size([2, 2, 2])
乘法结果:
tensor([[[ 22, 28],
[ 49, 64]],
[[220, 244],
[301, 334]]])
结果分析 :对于形状为 (2,2,3)
和 (2,3,2)
的两个3D张量,矩阵乘法会对每个对应的2D矩阵(共2对)进行运算,结果形状为 (2,2,2)
。
3.3 矩阵转置
函数形式 :torch.t(input)
或 input.t()
- 功能:返回张量的转置,仅适用于1D或2D张量
计算原理 :
矩阵转置将原矩阵的行变为列,列变为行。对于形状为 (m, n)
的矩阵,转置后形状变为 (n, m)
,其中 result[i][j] = input[j][i]
。
手算示例:
原始矩阵: [[1, 2, 3],
[4, 5, 6]]
转置后: [[1, 4],
[2, 5],
[3, 6]]
代码示例:
python
mat = torch.tensor([[1, 2, 3], [4, 5, 6]])
print("原始矩阵:\n", mat)
print("原始形状:", mat.shape)
# 转置操作
transposed = mat.t()
print("\n转置矩阵:\n", transposed)
print("转置形状:", transposed.shape)
运行结果:
原始矩阵:
tensor([[1, 2, 3],
[4, 5, 6]])
原始形状: torch.Size([2, 3])
转置矩阵:
tensor([[1, 4],
[2, 5],
[3, 6]])
转置形状: torch.Size([3, 2])
结果分析 :矩阵转置将原矩阵的行变为列,列变为行,形状从 (2,3)
变为 (3,2)
。
4 广播机制(Broadcasting)
广播是 PyTorch 中一种自动扩展张量形状的机制,使得不同形状的张量可以进行算术运算。这是一个非常重要的概念,能简化代码并提高效率。
4.1 广播的基本规则
- 如果两个张量的维度数量不同,维度较少的张量会在前面添加新维度(大小为1)
- 如果两个张量在某个维度上的大小不同,但其中一个为1,则会将大小为1的维度扩展为另一个张量的大小
- 如果两个张量在某个维度上的大小都大于1且不相等,则无法广播,会抛出错误
代码示例:
python
# 示例1:标量与张量的广播
a = torch.tensor([1, 2, 3])
b = 2
print("a * b =", a * b)
# 示例2:不同形状张量的广播
c = torch.tensor([[1], [2], [3]]) # 形状 (3,1)
d = torch.tensor([4, 5, 6]) # 形状 (3,)
print("\nc的形状:", c.shape)
print("d的形状:", d.shape)
print("c + d的结果:\n", c + d)
print("c + d的形状:", (c + d).shape)
# 示例3:更复杂的广播
e = torch.ones((2, 3)) # 形状 (2,3)
f = torch.tensor([[1], [2]]) # 形状 (2,1)
print("\ne + f的结果:\n", e + f)
运行结果:
a * b = tensor([2, 4, 6])
c的形状: torch.Size([3, 1])
d的形状: torch.Size([3])
c + d的结果:
tensor([[5, 6, 7],
[6, 7, 8],
[7, 8, 9]])
c + d的形状: torch.Size([3, 3])
e + f的结果:
tensor([[2., 2., 2.],
[3., 3., 3.]])
结果分析 :在示例2中,c
形状为 (3,1)
,d
形状为 (3,)
,广播后都变为 (3,3)
形状,然后进行元素级加法。广播机制避免了我们手动扩展张量形状,使代码更简洁。
5 统计运算
PyTorch 提供了丰富的统计函数,用于计算张量的均值、总和、最大值、最小值等统计量。
5.1 求和运算
函数形式 :torch.sum(input, dim=None, keepdim=False, out=None)
- 参数解析 :
input
:输入张量dim
:可选参数,指定求和的维度,不指定则对所有元素求和keepdim
:布尔值,是否保持原张量的维度,默认为False
计算原理 :
求和运算计算张量在指定维度上所有元素的总和。
- 对整个张量求和:
result = sum(input[i][j] for all i,j)
- 按行求和(dim=1):
result[i] = sum(input[i][j] for all j)
- 按列求和(dim=0):
result[j] = sum(input[i][j] for all i)
手算示例:
张量: [[1, 2, 3],
[4, 5, 6]]
所有元素的和: 1+2+3+4+5+6 = 21
按行求和: [1+2+3, 4+5+6] = [6, 15]
按列求和: [1+4, 2+5, 3+6] = [5, 7, 9]
代码示例:
python
tensor = torch.tensor([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]])
print("张量:\n", tensor)
# 对所有元素求和
print("\n所有元素的和:", tensor.sum())
# 按行求和(dim=1)
row_sum = tensor.sum(dim=1)
print("按行求和:", row_sum)
print("按行求和的形状:", row_sum.shape)
# 按列求和(dim=0)并保持维度
col_sum = tensor.sum(dim=0, keepdim=True)
print("\n按列求和(保持维度):\n", col_sum)
print("形状:", col_sum.shape)
运行结果:
张量:
tensor([[1., 2., 3.],
[4., 5., 6.]])
所有元素的和: tensor(21.)
按行求和: tensor([ 6., 15.])
按行求和的形状: torch.Size([2])
按列求和(保持维度):
tensor([[5., 7., 9.]])
形状: torch.Size([1, 3])
结果分析 :dim=0
表示沿着第一个维度(行方向)求和,得到每列的总和;dim=1
表示沿着第二个维度(列方向)求和,得到每行的总和。keepdim=True
保持了原有的二维结构。
5.2 均值运算
函数形式 :torch.mean(input, dim=None, keepdim=False, dtype=None, out=None)
- 参数解析 :与
torch.sum()
类似,计算指定维度的均值
计算原理 :
均值运算计算张量在指定维度上所有元素的平均值,即总和除以元素个数。
- 整体均值:
result = sum(all elements) / number of elements
- 按行均值:
result[i] = sum(row i) / number of elements in row i
代码示例:
python
# 计算均值
print("所有元素的均值:", tensor.mean())
print("按列求均值:", tensor.mean(dim=0))
print("按行求均值:", tensor.mean(dim=1))
运行结果:
所有元素的均值: tensor(3.5000)
按列求均值: tensor([2.5000, 3.5000, 4.5000])
按行求均值: tensor([2., 5.])
5.3 最大值和最小值
函数形式 :torch.max(input, dim=None, keepdim=False, out=None)
和 torch.min(...)
- 参数解析 :
- 不指定
dim
时,返回张量中的最大值/最小值 - 指定
dim
时,返回一个元组(values, indices)
,包含最大值/最小值及其索引
- 不指定
代码示例:
python
# 最大值运算
print("所有元素的最大值:", tensor.max())
# 按行求最大值
row_max = tensor.max(dim=1)
print("\n按行求最大值:")
print("最大值:", row_max.values)
print("最大值索引:", row_max.indices)
# 最小值运算
print("\n所有元素的最小值:", tensor.min())
print("按列求最小值:", tensor.min(dim=0).values)
运行结果:
所有元素的最大值: tensor(6.)
按行求最大值:
最大值: tensor([3., 6.])
最大值索引: tensor([2, 2])
所有元素的最小值: tensor(1.)
按列求最小值: tensor([1., 2., 3.])
结果分析 :torch.max(dim=1)
返回每行的最大值及其在该行中的索引位置,对于第一行 [1., 2., 3.]
,最大值是 3.
,位于索引 2
处。
5.4 累加运算
函数形式 :torch.cumsum(input, dim, out=None)
- 功能:计算指定维度上的累积和
代码示例:
python
# 累积和
print("按行累积和:\n", tensor.cumsum(dim=1))
运行结果:
按行累积和:
tensor([[ 1., 3., 6.],
[ 4., 9., 15.]])
结果分析 :累积和是指每个位置的值等于该位置之前(包括自身)所有元素的和。例如第一行的计算过程是 1, 1+2=3, 3+3=6
。
6 张量的其他常用运算
6.1 幂运算
6.1.1 通用计算
函数形式 :torch.pow(input, exponent, out=None)
a.pow(b)
与a.pow_(b)
逻辑同2.1-2.2的加减法操作,不作展开讲解。
- 功能:计算张量的指数幂,支持元素级运算
代码示例:
python
a = torch.tensor([1, 2, 3])
# 计算a的平方
print("a的平方:", torch.pow(a, 2))
print("a的平方(使用运算符):", a **2)
# 计算a的3次方
print("a的3次方:", torch.pow(a, 3))
运行结果:
a的平方: tensor([1, 4, 9])
a的平方(使用运算符): tensor([1, 4, 9])
a的3次方: tensor([ 1, 8, 27])
6.1.2 底数为e的幂运算
a.exp(b)
与a.exp_(b)
逻辑同2.1-2.2的加减法操作,不作展开讲解。
代码示例:
python
import torch
# 定义指数张量 x
x = torch.tensor([0, 1, 2], dtype=torch.float32)
# 计算 e^x(元素级)
result = torch.exp(x) # 等价于 x.exp()
print(result) # 输出:tensor([1.0000, 2.7183, 7.3891])
6.2 平方根
函数形式 :torch.sqrt(input, out=None)
a.sqrt_(b)
逻辑同2.1-2.2的加减法操作,不作展开讲解。
- 功能:计算张量每个元素的平方根
代码示例:
python
b = torch.tensor([4.0, 9.0, 16.0])
print("b的平方根:", torch.sqrt(b))
运行结果:
b的平方根: tensor([2., 3., 4.])
6.3 指数和对数运算
函数形式 :torch.exp(input, out=None)
和 torch.log(input, out=None)
- 功能:分别计算自然指数和自然对数
- 底数为2:
torch.log2(a)
- 底数为e:
torch.log(a)
、torch.log_(a)
- 底数为10:
torch.log10(a)
代码示例:
python
import numpy as np
c = torch.tensor([1.0, 2.0, 3.0])
# 指数运算 e^x
print("e^c:", torch.exp(c))
# 对数运算 ln(x)
d = torch.tensor([1.0, np.e, np.e**2])
print("ln(d):", torch.log(d))
运行结果:
e^c: tensor([ 2.7183, 7.3891, 20.0855])
ln(d): tensor([0.0000, 1.0000, 2.0000])
7 自动求导(Autograd)与张量计算
PyTorch 的自动求导机制是实现神经网络反向传播的核心,它能自动计算张量运算的梯度。
7.1 基本概念
- 计算图:PyTorch 会记录所有对张量的操作,构建一个计算图
- 反向传播:通过计算图从输出反向传播到输入,计算梯度
- requires_grad :张量的一个属性,设为
True
时会追踪该张量的所有操作
7.2 自动求导示例
python
# 创建需要计算梯度的张量
x = torch.tensor(2.0, requires_grad=True)
print("x =", x)
print("x是否需要计算梯度:", x.requires_grad)
# 定义一个函数 y = x^2 + 3x + 1
y = x**2 + 3*x + 1
print("\ny =", y)
print("y的梯度函数:", y.grad_fn) # 显示y是如何从x计算得到的
# 计算y对x的导数
y.backward()
# 查看导数结果(dy/dx = 2x + 3)
print("\ndy/dx 在x=2处的值:", x.grad) # 理论值应为 2*2 + 3 = 7
运行结果:
x = tensor(2., requires_grad=True)
x是否需要计算梯度: True
y = tensor(11., grad_fn=<AddBackward0>)
y的梯度函数: <AddBackward0 object at 0x7f8a2c3d3d30>
dy/dx 在x=2处的值: tensor(7.)
结果分析 :当我们设置 requires_grad=True
时,PyTorch 会追踪该张量的所有操作。调用 y.backward()
会触发反向传播,计算 y
对所有需要梯度的张量(这里是 x
)的导数,并将结果存储在张量的 .grad
属性中。
7.3 多变量函数的求导
python
# 创建两个需要计算梯度的张量
x = torch.tensor(1.0, requires_grad=True)
y = torch.tensor(2.0, requires_grad=True)
# 定义函数 z = x^2 + 2xy + y^3
z = x**2 + 2*x*y + y**3
print("z =", z)
# 计算偏导数
z.backward()
# 查看结果(dz/dx = 2x + 2y, dz/dy = 2x + 3y^2)
print("\ndz/dx 在(1, 2)处的值:", x.grad) # 理论值: 2*1 + 2*2 = 6
print("dz/dy 在(1, 2)处的值:", y.grad) # 理论值: 2*1 + 3*2^2 = 14
运行结果:
z = tensor(13., grad_fn=<AddBackward0>)
dz/dx 在(1, 2)处的值: tensor(6.)
dz/dy 在(1, 2)处的值: tensor(14.)
8 GPU 加速的张量计算
PyTorch 最大的优势之一是能够利用 GPU 进行加速计算,对于大规模张量运算,GPU 可以显著提高计算速度。
8.1 张量的设备迁移
函数形式 :torch.to(device)
或 tensor.cuda()
/ tensor.cpu()
- 功能:将张量从 CPU 迁移到 GPU 或从 GPU 迁移到 CPU
代码示例:
python
# 检查是否有可用的GPU
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
print("使用的设备:", device)
# 创建一个大张量
large_tensor = torch.randn(1000, 1000)
print("原始张量设备:", large_tensor.device)
# 将张量迁移到GPU(如果可用)
large_tensor_gpu = large_tensor.to(device)
print("迁移后张量设备:", large_tensor_gpu.device)
# 在GPU上进行计算
result_gpu = torch.matmul(large_tensor_gpu, large_tensor_gpu)
print("GPU计算结果设备:", result_gpu.device)
# 将结果迁移回CPU
result_cpu = result_gpu.to("cpu")
print("CPU上的结果设备:", result_cpu.device)
运行结果(如果有GPU):
使用的设备: cuda
原始张量设备: cpu
迁移后张量设备: cuda:0
GPU计算结果设备: cuda:0
CPU上的结果设备: cpu
结果分析 :通过 to(device)
方法可以将张量在 CPU 和 GPU 之间迁移。所有计算会在张量所在的设备上进行,因此对于需要频繁操作的张量,最好将它们放在同一个设备上,避免频繁的设备间数据传输。
一是能够利用 GPU 进行加速计算,对于大规模张量运算,GPU 可以显著提高计算速度。
8.1 张量的设备迁移
函数形式 :torch.to(device)
或 tensor.cuda()
/ tensor.cpu()
- 功能:将张量从 CPU 迁移到 GPU 或从 GPU 迁移到 CPU
代码示例:
python
# 检查是否有可用的GPU
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
print("使用的设备:", device)
# 创建一个大张量
large_tensor = torch.randn(1000, 1000)
print("原始张量设备:", large_tensor.device)
# 将张量迁移到GPU(如果可用)
large_tensor_gpu = large_tensor.to(device)
print("迁移后张量设备:", large_tensor_gpu.device)
# 在GPU上进行计算
result_gpu = torch.matmul(large_tensor_gpu, large_tensor_gpu)
print("GPU计算结果设备:", result_gpu.device)
# 将结果迁移回CPU
result_cpu = result_gpu.to("cpu")
print("CPU上的结果设备:", result_cpu.device)
运行结果(如果有GPU):
使用的设备: cuda
原始张量设备: cpu
迁移后张量设备: cuda:0
GPU计算结果设备: cuda:0
CPU上的结果设备: cpu
结果分析 :通过 to(device)
方法可以将张量在 CPU 和 GPU 之间迁移。所有计算会在张量所在的设备上进行,因此对于需要频繁操作的张量,最好将它们放在同一个设备上,避免频繁的设备间数据传输。