【研究生随笔】Pytorch中的线性代数

在许多科研项目中，都会涉及到大量的数学公式的转换和计算，包括求导、微积分等。在pytorch中的autograd可以自动计算微分。
创建矩阵或者向量时，若元素值都一样的话，可以使用torch.zeros( , , )来实现（案例为全零）。
Torch.exp(X)：表示eX 其中X貌似为tensor类型（张量）。
Torch.cat(X,Y,dim)表示将两个张量按一定规则进行连接：

python 复制代码

X = torch.arange(12, dtype=torch.float32).reshape((3, 4))
Y = torch.tensor([[2.0, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]])
torch.cat((X, Y), dim=0), torch.cat((X, Y), dim=1)

其中，dim = 0为Y轴连接，dim = 1为X轴连接。

假设，A = tensor（ $\[0$ , $1$ , $2$ ]） B = tensor( $\[0 ,1$ ])
在张量计算过程中，A和B虽然shape不同，但也是可以相加的，他们会按照彼此所希望的样子各自对自己做出改变，一起组合成更加强大的"我们"。如下：
A会变成A = tensor（ $\[0，0$ , $1，1$ , $2，2$ ]），B会变成B = tensor( $\[0 ,1$ , $0 ,1$ , $0 ,1$ ])
从而两者组合为A + B = tensor( $\[0, 1$ , $1, 2$ , $2, 3$ ])

###############################################################################

标题对元素的索引或其他操作与数组类似

矩阵或向量的转置：A.T即可（注意对称阵等特殊矩阵）
图像以n维数组形式出现，其中3个轴对应于⾼度、宽度，以及⼀个通道（channel）轴，⽤于堆叠颜⾊通道（红⾊、绿⾊和蓝⾊）。

标题张量的降维

在数学中，要对矩阵中的元素进行求和，需要使用到∑，代码里可以直接用求和函数sum（）：

python 复制代码

X = torch. Tensor([[1,2,3],[1,2,3]])
Xsum = X.sum()

调用求和函数其实是对张量进行降维成一个一维标量来进行求和，还可以在sum()中添加函数来指定需要按哪个轴来进行降维（axis = 0为Y轴，axis = 1为X轴）。

是不是可以用来计算各行或者各列上的总和呢？

当添加参数后，sum(axis = 0)所输出的便不再是一个总和值，而是一个降维后的标量。

是不是不太好理解，就比方说：A = $\[1,2,3$ , $1,2,3$ ]：

当对A.sum(axis = 1)时，其输出变为 $\[6$ , $6$ ]；而当对A.sum(axis = 0)时，其输出变为 $\[2,4,6$ ]。

还可以这样：A.sum(axis = $0,1$ ) ---------- 意思是沿着行和列对矩阵元素进行求和，最后得出的效果与A.sum()相同（就是普通求和）

如果不想进行降维求和，那就可以使用cumsum()函数，具体如下：

python 复制代码

import torch as torch
A torch.tensor(
[1,2,3],
[1,2,3],
[1,2,3]]
print("original A is ",[A})
print("chuange to e is:",[A.sum(axis 0)})
print("chuange to 1 is:"[A.sum(axis 1)))
print("cumsum e is:",[A.cumsum(axis e)))
print("cumsum 1 is:",{A.cumsum(axis 1)})

输出如下：

powershell 复制代码

original A is {tensor([[1,2,3],
[1,2,3],
[1,2,3])}
chuange to e is:{tensor([3,6,9])}
chuange to 1 is:{tensor([6,6,6])}
cumsum e is:{tensor([[1,2,3],
[2,4,6],
[3,6,9]])}
cumsum
1is:{tensor([1,3,6],
[1,3,6]
[1,3,6]])

计算元素的平均值也有函数可以调用：A.mean() 其效果同：A.sum() / A.numel()。该函数跟sum()一样，可以加参数实现不同轴的降维。也就是说，可以通过axis参数的控制，实现对各行各列的平均值计算。

点积（A的转置乘以B）torch.dot(A,B)，按照点积的定义，也可以使用这个来实现：sum(A * B)（先相乘后求和），其中A * B又叫A和B的哈达玛积（元素之间的乘法）。
• 向量积（矩阵与向量之积，注意矩阵和向量形状的约束）可以使⽤向量积来描述在给定前⼀层的值时，求解神经⽹络每⼀层所需的复杂计算。Torch.mv(A,x)
• 矩阵乘法（前行乘后列）：有点想法，每一次都是进行的行乘列，然后相乘元素求和，那么就可以转换成一个递归问题，通过向量积和求和来完成每一个子问题的过程。Torch.mm(A , B)
范数：
L2范数是向量元素平方和的平方根：Torch.norm(A) 。在实际应用中，更多的是使用到L2范数的平方，那就再自乘一下就好了。
L1范数是向量元素绝对值之和：torch.abs(A).sum()。
对于矩阵的范数叫做弗罗⻉尼乌斯范数，跟L2范数是类似的。
###########################################################################
（待续）