如何分析网站的设计深圳外贸公司注册

1. 张量数值计算

1. 1 张量基本运算

加减乘除取负号：

add、sub、mul、div、neg

add_ 、sub_、 mul_ 、div_、 neg_ (其中带下划线的版本会修改原数据)

data = torch.randint(0,10,[2,3])
print(data)
# 不修改原数据 相当于 data = data + 5
new_data=data.add(5)
print(new_data)
# 修改原数据 相当于 data += 3
data.add_(3)
print(data)

输出结果：

tensor([[8, 8, 4],[4, 1, 0]])
tensor([[13, 13,  9],[ 9,  6,  5]])
tensor([[11, 11,  7],[ 7,  4,  3]])

1.2 点乘运算

点乘运算是指两个同维矩阵相同位置的元素相乘，使用 mul或 运算发 *实现。

data1 = torch.randint(0,10,[2,3])
data2 = torch.randint(0,10,[2,3])
data3 = data1.mul(data2)
data4 = data1*data2
print(data1)
print(data2)
print(data3)
print(data4)

输出结果：

tensor([[4, 3, 8],[7, 4, 6]])
tensor([[0, 1, 9],[9, 8, 0]])
tensor([[ 0,  3, 72],[63, 32,  0]])
tensor([[ 0,  3, 72],[63, 32,  0]])

1.3 矩阵运算

矩阵乘法运算要求第一个矩阵 shape: (n, m)，第二个矩阵 shape: (m, p), 两个矩阵点积运算 shape 为: (n, p)。

1. 运算符 @ 用于进行两个矩阵的乘积运算
2. torch.matmul对进行乘积运算的两矩阵形状没有限定.对数输入的 shape 不同的张量, 对应的最后几个维度必须符合
   矩阵运算规则

data1 = torch.tensor([[1, 2], [3, 4], [5, 6]])
data2 = torch.tensor([[5, 6], [7, 8]])
print('data1--->',data1)
print('data2--->',data2)
data3 = data1 @ data2
print('data3--->',data3)
data4 = torch.matmul(data1, data2)
print('data4--->',data4)

输出结果：

data1---> tensor([[1, 2],[3, 4],[5, 6]])
data2---> tensor([[5, 6],[7, 8]])
data3---> tensor([[19, 22],[43, 50],[67, 78]])
data4---> tensor([[19, 22],[43, 50],[67, 78]])

2. 张量运算函数

PyTorch 为每个张量封装了很多实用的计算函数：

• 均值
• 平方根
• 求和
• 指数计算
• 对数计算等等

data = torch.randint(1,10,[2,3],dtype=torch.float64)
print('data--->',data)
# 1. 计算均值
# 注意：tensor 必须为 Float 或者 Double 类型
print('均值：',data.mean())
print('列计算均值：',data.mean(dim=0))
print('行计算均值：',data.mean(dim=0))
# 2. 计算总和
print('求和：',data.sum())
print('列求和：',data.sum(dim=0))
print("行求和：",data.sum(dim=1))
# 3. 计算平方
print('平方：',torch.pow(data,2))
# 4. 计算平方根
print('平方根：',data.sqrt())
# 5. 指数计算，e ^ n 次方
print('e ^ n 次方：',data.exp())
# 6. 对数计算
print('e为底：',data.log())
print('2为底：',data.log2())
print('10为底：',data.log10())

输出结果：

data---> tensor([[8., 6., 7.],[9., 3., 7.]], dtype=torch.float64)
均值： tensor(6.6667, dtype=torch.float64)
列计算均值： tensor([8.5000, 4.5000, 7.0000], dtype=torch.float64)
行计算均值： tensor([8.5000, 4.5000, 7.0000], dtype=torch.float64)
求和： tensor(40., dtype=torch.float64)
列求和： tensor([17.,  9., 14.], dtype=torch.float64)
行求和： tensor([21., 19.], dtype=torch.float64)
平方： tensor([[64., 36., 49.],[81.,  9., 49.]], dtype=torch.float64)
平方根： tensor([[2.8284, 2.4495, 2.6458],[3.0000, 1.7321, 2.6458]], dtype=torch.float64)
e ^ n 次方： tensor([[2980.9580,  403.4288, 1096.6332],[8103.0839,   20.0855, 1096.6332]], dtype=torch.float64)
e为底： tensor([[2.0794, 1.7918, 1.9459],[2.1972, 1.0986, 1.9459]], dtype=torch.float64)
2为底： tensor([[3.0000, 2.5850, 2.8074],[3.1699, 1.5850, 2.8074]], dtype=torch.float64)
10为底： tensor([[0.9031, 0.7782, 0.8451],[0.9542, 0.4771, 0.8451]], dtype=torch.float64)