pytorch torch運(yùn)算操作示例詳解
更新時間：2024年06月18日 10:07:26 作者：九磅十五便士丶
這篇文章主要介紹了pytorch torch運(yùn)算的相關(guān)知識,本文通過示例代碼給大家介紹的非常詳細(xì),感興趣的朋友跟隨小編一起看看吧
torch運(yùn)算
基本運(yùn)算
創(chuàng)建張量:
import torch # 直接從列表或數(shù)組創(chuàng)建張量 x = torch.tensor([1, 2, 3])
創(chuàng)建特定值的張量:
# 全零張量 zeros = torch.zeros(3, 3) # 全一張量 ones = torch.ones(3, 3) # 單位張量（對角線為1，其余為0） eye = torch.eye(3) # 隨機(jī)張量 rand = torch.rand(3, 3) # 從均值為0，標(biāo)準(zhǔn)差為1的正態(tài)分布中抽取的隨機(jī)張量 randn = torch.randn(3, 3)
創(chuàng)建等差數(shù)列張量:
# 從0到10（不包括10）的等差數(shù)列，步長為2 arange = torch.arange(0, 10, 2)
創(chuàng)建特定間隔的數(shù)列張量:
# 從0到10均勻分布的5個數(shù) linspace = torch.linspace(0, 10, 5)
2.加法和減法:
# 加法 z = x + y # torch.add(x, y) print(z) # 輸出: tensor([5, 7, 9]) # 減法 z = x - y # torch.sub(x, y) print(z) # 輸出: tensor([-3, -3, -3])
3.乘法和除法:
# 元素乘法 z = x * y # torch.mul(x, y) print(z) # 輸出: tensor([ 4, 10, 18]) # 元素除法 z = x / y # torch.div(x, y) print(z) # 輸出: tensor([0.2500, 0.4000, 0.5000])
4.矩陣乘法:
a = torch.tensor([[1, 2], [3, 4]]) b = torch.tensor([[5, 6], [7, 8]]) # 矩陣乘法 z = torch.matmul(a, b) # 或者 a @ b print(z) # 輸出: tensor([[19, 22], [43, 50]])
形狀操作
1.改變形狀:view()
a = torch.tensor([[1, 2, 3], [4, 5, 6]]) # 改變形狀 b = a.view(3, 2) print(b) # 輸出: # tensor([[1, 2], # [3, 4], # [5, 6]])
自動調(diào)整size (參數(shù)-1)
view中一個參數(shù)指定為-1，代表自動調(diào)整這個維度上的元素個數(shù)，以保證元素的總數(shù)不變。
import torch
x1 = torch.arange(0,16)
print(x1)
#a1: tensor([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15])
------------------------------------------------------------------------------------------------------
x2 = x1.view(-1, 16)
x3 = x1.view(-1, 8)
x4 = x1.view(-1, 4)
x5 = x1.view(-1, 2)
print(x2)
print(x3)
print(x4)
print(x5)
x2: tensor([[ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15]])
x3: tensor([[ 0, 1, 2, 3, 4, 5, 6, 7],
[ 8, 9, 10, 11, 12, 13, 14, 15]])
x4: tensor([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11],
[12, 13, 14, 15]])
x5: tensor([[ 0, 1],
[ 2, 3],
[ 4, 5],
[ 6, 7],
[ 8, 9],
[10, 11],
[12, 13],
[14, 15]])2.拼接:
x = torch.tensor([[1, 2], [3, 4]]) y = torch.tensor([[5, 6], [7, 8]]) # 沿著0軸拼接（垂直拼接） z = torch.cat((x, y), dim=0) print(z) # 輸出: # tensor([[1, 2], # [3, 4], # [5, 6], # [7, 8]]) # 沿著1軸拼接（水平拼接） z = torch.cat((x, y), dim=1) print(z) # 輸出: # tensor([[1, 2, 5, 6], # [3, 4, 7, 8]])
3.切片:
a = torch.tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) # 切片 b = a[:, 1] # 第二列 print(b) # 輸出: tensor([2, 5, 8])
數(shù)學(xué)運(yùn)算
求和:sum()
x = torch.tensor([1, 2, 3, 4]) # 求和 sum_x = torch.sum(x) print(sum_x) # 輸出: tensor(10)
均值:mean()
# 均值 mean_x = torch.mean(x.float()) # 轉(zhuǎn)換為浮點(diǎn)數(shù)類型 print(mean_x) # 輸出: tensor(2.5000)
最大值和最小值:max(),min()
# 最大值 max_x = torch.max(x) print(max_x) # 輸出: tensor(4) # 最小值 min_x = torch.min(x) print(min_x) # 輸出: tensor(1)
邏輯運(yùn)算
比較運(yùn)算:
x = torch.tensor([1, 2, 3]) y = torch.tensor([2, 2, 2]) # 大于 print(x > y) # 輸出: tensor([False, False, True]) # 小于 print(x < y) # 輸出: tensor([ True, False, False])
邏輯與、或:
a = torch.tensor([True, False, True]) b = torch.tensor([False, False, True]) # 邏輯與 c = torch.logical_and(a, b) print(c) # 輸出: tensor([False, False, True]) # 邏輯或 c = torch.logical_or(a, b) print(c) # 輸出: tensor([ True, False, True])
常見的高級操作
廣播機(jī)制:
a = torch.tensor([1, 2, 3]) b = torch.tensor([[1], [2], [3]]) # 廣播機(jī)制 c = a + b print(c) # 輸出: # tensor([[2, 3, 4], # [3, 4, 5], # [4, 5, 6]])
自動梯度計算:
x = torch.tensor([1.0, 2.0, 3.0], requires_grad=True) # 前向傳播 y = x + 2 z = y * y * 2 out = z.mean() # 反向傳播 out.backward() print(x.grad) # 輸出: tensor([4.6667, 6.0000, 7.3333])
隨機(jī)數(shù)生成
從標(biāo)準(zhǔn)正態(tài)分布中生成隨機(jī)張量:
randn_tensor = torch.randn(3, 3) # 生成一個形狀為 (3, 3) 的隨機(jī)張量，服從標(biāo)準(zhǔn)正態(tài)分布 print(randn_tensor) #tensor([[ 1.2335, -0.3941, 0.8990], # [ 0.0470, -1.2671, 0.3248], # [-0.4062, -0.6862, 0.1314]])
生成隨機(jī)排列:
randperm_tensor = torch.randperm(10) # 生成一個從 0 到 9 的隨機(jī)排列 print(randperm_tensor) #tensor([2, 0, 5, 1, 8, 6, 3, 4, 7, 9])
生成等差數(shù)列張量:
arange_tensor = torch.arange(0, 10, 2) # 生成從 0 到 10（不包括 10）的等差數(shù)列，步長為 2 print(arange_tensor) #tensor([0, 2, 4, 6, 8])
到此這篇關(guān)于pytorch torch運(yùn)算操作示例詳解的文章就介紹到這了,更多相關(guān)pytorch torch運(yùn)算內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
您可能感興趣的文章:
- python神經(jīng)網(wǎng)絡(luò)pytorch中BN運(yùn)算操作自實(shí)現(xiàn)
- python神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)利用PyTorch進(jìn)行回歸運(yùn)算
- pytorch中常用的乘法運(yùn)算及相關(guān)的運(yùn)算符(@和*）
- PyTorch中Tensor的數(shù)據(jù)類型和運(yùn)算的使用
- PyTorch使用cpu加載模型運(yùn)算方式
- Pytorch Tensor基本數(shù)學(xué)運(yùn)算詳解
- Pytorch 多維數(shù)組運(yùn)算過程的索引處理方式
相關(guān)文章
本文介紹了Python中os、sys、subprocess等模塊及paramiko、Fabric、socket、requests等庫的核心功能,涵蓋文件操作、系統(tǒng)交互、進(jìn)程管理、網(wǎng)絡(luò)通信、數(shù)據(jù)處理等場景,并強(qiáng)調(diào)了安全使用YAML等格式的注意事項2025-07-07
在使用Pycharm的時候不免要下載許多的第三方庫,特別是移植過來的項目更是一個文件的依賴包需要下載而Pycharm默認(rèn)的官方源下載比較慢,所以下面這篇文章主要給大家介紹了關(guān)于Pycharm更換安裝源與添加第三方庫的相關(guān)資料,需要的朋友可以參考下2023-02-02
Django高并發(fā)負(fù)載均衡實(shí)現(xiàn)原理詳解
這篇文章主要介紹了Django高并發(fā)負(fù)載均衡實(shí)現(xiàn)原理詳解,文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友可以參考下2020-04-04
python實(shí)現(xiàn)數(shù)字炸彈游戲
這篇文章主要為大家詳細(xì)介紹了python實(shí)現(xiàn)數(shù)字炸彈游戲，文中示例代碼介紹的非常詳細(xì)，具有一定的參考價值，感興趣的小伙伴們可以參考一下2020-07-07
這篇文章主要介紹了Python 錯誤和異常代碼詳解，分享了相關(guān)代碼示例，小編覺得還是挺不錯的，具有一定借鑒價值，需要的朋友可以參考下2018-01-01
這篇文章主要介紹了Python只用40行代碼編寫的計算器,結(jié)合完整實(shí)例形式分析了Python計算器的具體實(shí)現(xiàn)技巧,需要的朋友可以參考下2017-05-05
這篇文章主要介紹了Python小技巧練習(xí)分享，文章基于python的相關(guān)內(nèi)容展開詳細(xì)的python小技巧內(nèi)容，具有一定的參考價值，需要的小伙伴可以參考一下2022-05-05
這篇文章主要介紹了Django 路由控制的實(shí)現(xiàn)代碼，小編覺得挺不錯的，現(xiàn)在分享給大家，也給大家做個參考。一起跟隨小編過來看看吧2018-11-11
Python?JMESPath庫輕松操作JSON進(jìn)行數(shù)據(jù)查詢方法實(shí)例
這篇文章主要為大家介紹了Python?JMESPath庫輕松操作JSON方法實(shí)例,有需要的朋友可以借鑒參考下,希望能夠有所幫助,祝大家多多進(jìn)步,早日升職加薪2024-01-01
這篇文章主要介紹了淺談Python程序與C++程序的聯(lián)合使用,主要包括6中方案,需要的朋友可以參考下2015-04-04