第二章 预备知识（线性代数）

2.3 线性代数

2.3.1标量

只有一个元素的张量表示标量

import torch
x=torch.tensor(3)
print(x)

tensor(3)

2.3.2向量

一维张量表示向量，可以被视为标量值组成的列表

import torch
x=torch.arange(3)
print(x)

tensor([0, 1, 2])

通过索引来访问元素

print(x[2])

tensor(2)

向量的长度=维度

可以用len()或.shape属性访问

print(len(x))
print(x.shape)

3
torch.Size([3])

2.3.3矩阵

具有两个轴的张量

import torch
x=torch.arange(20).reshape(5,4)
print(x)

tensor([[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11],
        [12, 13, 14, 15],
        [16, 17, 18, 19]])

矩阵的转置

print(x.T)

tensor([[ 0,  4,  8, 12, 16],
        [ 1,  5,  9, 13, 17],
        [ 2,  6, 10, 14, 18],
        [ 3,  7, 11, 15, 19]])

对称矩阵的转置等于其本身

2.3.4张量

具有任意数量轴的n维数组

import torch
x=torch.arange(24).reshape(2,3,4)
print(x)

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]]])

2.3.5张量算法的基本性质

任何按元素的一元运算不会改变其形状

import torch
x=torch.arange(24).reshape(2,3,4)
y=x.clone()
z=2
print(x+y)#加法
print(x*y)#乘法Hadamard积
print(x+2)#标量的运算

tensor([[[ 0,  2,  4,  6],
         [ 8, 10, 12, 14],
         [16, 18, 20, 22]],

        [[24, 26, 28, 30],
         [32, 34, 36, 38],
         [40, 42, 44, 46]]])

tensor([[[  0,   1,   4,   9],
         [ 16,  25,  36,  49],
         [ 64,  81, 100, 121]],

        [[144, 169, 196, 225],
         [256, 289, 324, 361],
         [400, 441, 484, 529]]])

tensor([[[ 2,  3,  4,  5],
         [ 6,  7,  8,  9],
         [10, 11, 12, 13]],

        [[14, 15, 16, 17],
         [18, 19, 20, 21],
         [22, 23, 24, 25]]])

2.3.6降维求和

可以通过设置axis来进行行求和或列求和

import torch
x=torch.arange(12).reshape(3,4)
print(x)
print(x.sum())
print(x.sum(axis=0))
print(x.sum(axis=1))

tensor([[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]])
tensor(66)
tensor([12, 15, 18, 21])
tensor([ 6, 22, 38])

也可以设置keepdims保持轴数不变

import torch
x=torch.arange(12).reshape(3,4)
print(x.sum(axis=0))
print(x.sum(axis=0,keepdim=True))

tensor([12, 15, 18, 21])
tensor([[12, 15, 18, 21]])

同样，计算平均值也可以指定轴降维

import torch
x=torch.arange(12,dtype=torch.float32).reshape(3,4)
print(x.mean())

tensor(5.5000)

2.3.7向量的点积

即相同位置元素乘积之和，只能用于向量（一维张量）

import torch
x=torch.arange(4,dtype=torch.float32)
y=torch.ones(4,dtype=torch.float32)
print(torch.dot(x,y))

tensor(6.)

2.3.8矩阵乘法

n行m列矩阵与m行l列矩阵相乘会得到n行l列矩阵

import torch
x=torch.arange(20,dtype=torch.float32).reshape(5,4)
y=torch.ones(4,3)
print(torch.mm(x,y))

tensor([[ 6.,  6.,  6.],
        [22., 22., 22.],
        [38., 38., 38.],
        [54., 54., 54.],
        [70., 70., 70.]])

2.3.9范数

向量的范数表示一个向量的大小

L2范数

向量元素平方和的平方根

import torch
x=torch.tensor([3.0,-4.0])
print(torch.norm(x))

tensor(5.)

L1范数

表示为向量元素绝对值之和

import torch
x=torch.tensor([3.0,-4.0])
print(torch.abs(x).sum())

tensor(7.)

Frobenius范数

矩阵元素平方和的平方根，满足向量范数的所有性质，像是矩阵型向量的L2范数

import torch
x=torch.ones(4,9)
print(torch.norm(x))

tensor(6.)