PyTorch学习笔记（七）

5. 基本数学运算

5.1 torch.add()函数

torch.add() 是 PyTorch 中的一个函数，用于执行逐元素的加法操作。这个函数可以接受多个张量（tensors）作为输入，并返回一个新的张量，其中每个元素都是输入张量对应元素之和。

函数的基本语法如下：

torch.add(input, alpha=1, other, out=None) → Tensor

参数说明：

  • input：要进行加法操作的输入张量。
  • alpha：要乘以input张量的标量值。默认为1。
  • other：要与input张量相加的另一个张量或标量。
  • out：可选参数，用于指定输出张量。

函数的工作原理是将alpha乘以input张量，然后加上other张量或标量。如果other是一个标量，则它会被加到input张量的每个元素上。如果other是一个张量，则它必须具有与input张量相同的形状，以便逐元素地相加。

这里有一些使用torch.add()的例子：

import torch# 例子1：将标量加到张量上
x = torch.tensor([1.0, 2.0, 3.0])
y = torch.add(x, 2)  # y = x + 2
print(y)  # 输出: tensor([3., 4., 5.])# 例子2：将张量加到另一个张量上
x = torch.tensor([1.0, 2.0, 3.0])
y = torch.tensor([4.0, 5.0, 6.0])
z = torch.add(x, y)  # z = x + y
print(z)  # 输出: tensor([5., 7., 9.])# 例子3：使用alpha参数
x = torch.tensor([1.0, 2.0, 3.0])
y = torch.add(x, alpha=0.5, other=2)  # y = 0.5 * x + 2
print(y)  # 输出: tensor([2.5, 3.0, 3.5])

注意：torch.add()函数不会修改输入张量，而是返回一个新的张量。

5.2 torch.sub()函数

torch.sub() 是 PyTorch 中的一个函数，用于执行逐元素的减法操作。该函数接受至少两个张量（tensors）作为输入，并返回一个新的张量，其中每个元素都是第一个输入张量对应元素减去第二个输入张量对应元素的结果。

函数的基本语法如下：

torch.sub(input, other, alpha=1, out=None) → Tensor

参数说明：

  • input：要进行减法操作的输入张量。
  • other：要从input张量中减去的另一个张量或标量。
  • alpha：可选参数，要乘以other张量或标量的标量值。默认为1。
  • out：可选参数，用于指定输出张量。

如果other是一个标量，那么它会从input张量的每个元素中减去。如果other是一个张量，那么它必须具有与input张量相同的形状，以便进行逐元素的减法。

下面是一些使用torch.sub()的例子：

import torch# 例子1：从张量中减去标量
x = torch.tensor([5.0, 3.0, 2.0])
y = torch.sub(x, 2)  # y = x - 2
print(y)  # 输出: tensor([3., 1., 0.])# 例子2：从张量中减去另一个张量
x = torch.tensor([5.0, 3.0, 2.0])
y = torch.tensor([1.0, 2.0, 3.0])
z = torch.sub(x, y)  # z = x - y
print(z)  # 输出: tensor([4., 1., -1.])# 例子3：使用alpha参数
x = torch.tensor([5.0, 3.0, 2.0])
y = torch.sub(x, other=2, alpha=0.5)  # y = x - 0.5 * 2
print(y)  # 输出: tensor([4., 2., 1.])

请注意，torch.sub()函数不会修改输入张量，而是返回一个新的张量。此外，torch.sub()函数还可以接受一个out参数，用于指定输出张量的位置，这在某些情况下可以用于避免不必要的内存分配。

5.3 torch.mul()函数

torch.mul() 是 PyTorch 中的一个函数，用于执行逐元素的乘法操作。这个函数可以接受两个张量（tensors）作为输入，并返回一个新的张量，其中每个元素都是输入张量对应元素相乘的结果。

函数的基本语法如下：

torch.mul(input, other, out=None) → Tensor

参数说明：

  • input：要进行乘法操作的第一个输入张量。
  • other：要与input张量相乘的第二个张量或标量。
  • out：可选参数，用于指定输出张量。

如果other是一个标量，那么它会与input张量的每个元素相乘。如果other是一个张量，那么它必须具有与input张量相同的形状，以便进行逐元素的乘法。

下面是一些使用torch.mul()的例子：

import torch# 例子1：张量与标量相乘
x = torch.tensor([1.0, 2.0, 3.0])
y = torch.mul(x, 2)  # y = x * 2
print(y)  # 输出: tensor([2., 4., 6.])# 例子2：张量与张量相乘
x = torch.tensor([1.0, 2.0, 3.0])
y = torch.tensor([4.0, 5.0, 6.0])
z = torch.mul(x, y)  # z = x * y
print(z)  # 输出: tensor([ 4., 10., 18.])# 例子3：使用out参数
x = torch.tensor([1.0, 2.0, 3.0])
y = torch.tensor([4.0, 5.0, 6.0])
result = torch.empty(3)
torch.mul(x, y, out=result)  # 结果存储在result中
print(result)  # 输出: tensor([ 4., 10., 18.])

注意，torch.mul() 函数和 * 运算符在 PyTorch 中都可以用来执行逐元素的乘法操作。使用 * 运算符时，它会直接返回结果，而不需要显式地调用一个函数。

# 使用 * 运算符执行逐元素乘法
z = x * y
print(z)  # 输出: tensor([ 4., 10., 18.])

这两种方式在功能上是等效的，选择哪种方式取决于你的编程风格和偏好。

5.4 torch.div() 函数

数接受两个张量（tensors）作为输入，并返回一个新的张量，其中每个元素都是第一个输入张量对应元素除以第二个输入张量对应元素的结果。如果第二个输入是一个标量，那么它会被用来除以第一个输入张量的每个元素。如果第二个输入是一个张量，那么它必须具有与第一个输入张量相同的形状，以便进行逐元素的除法。

函数的基本语法如下：

torch.div(input, other, out=None) → Tensor

参数说明：

  • input：要进行除法操作的输入张量。
  • other：要除以input张量的每个元素的数字或张量。
  • out：可选参数，用于指定输出张量。

例如：

import torch# 例子1：将张量的每个元素除以一个标量
x = torch.tensor([2.0, 4.0, 6.0])
y = torch.div(x, 2)  # y = x / 2
print(y)  # 输出: tensor([1., 2., 3.])# 例子2：将一个张量的每个元素除以另一个张量的对应元素
x = torch.tensor([2.0, 4.0, 6.0])
y = torch.tensor([1.0, 2.0, 3.0])
z = torch.div(x, y)  # z = x / y
print(z)  # 输出: tensor([2., 2., 2.])

5.5 torch.pow() 函数

torch.pow() 函数在 PyTorch 中的完整函数如下：

torch.pow(input, exponent, out=None) → Tensor

这个函数接受三个参数：

  • input (Tensor): 输入张量，它可以是任何维度的张量。
  • exponent (float 或 Tensor): 指数，它可以是一个浮点数（在这种情况下，input 张量的每个元素都会被提升到相同的幂），或者是一个与 input 张量形状相同的张量（在这种情况下，input 张量的每个元素都会被提升到对应 exponent 张量中元素的幂）。
  • out (Tensor, 可选): 输出张量。如果提供，则结果将被写入此张量中。如果没有提供，则会创建一个新的张量来存储结果。

函数的返回值是一个新的张量，它是 input 张量中每个元素提升到 exponent 幂后的结果。

这里有一些使用 torch.pow() 的例子：

import torch# 例子1：对整个张量的每个元素应用相同的指数
x = torch.tensor([1.0, 2.0, 3.0])
y = torch.pow(x, 2)  # y = [1^2, 2^2, 3^2]
print(y)  # 输出: tensor([1., 4., 9.])# 例子2：使用不同的指数
exponent = torch.tensor([2.0, 3.0, 4.0])
y = torch.pow(x, exponent)  # y = [1^2, 2^3, 3^4]
print(y)  # 输出: tensor([ 1.,  8., 81.])# 例子3：使用 out 参数
x = torch.tensor([1.0, 2.0, 3.0])
exponent = 2.0
result = torch.empty(3)
torch.pow(x, exponent, out=result)  # 结果存储在 result 中
print(result)  # 输出: tensor([1., 4., 9.])

在第一个例子中，整个张量的每个元素都被提升到了 2 的幂。在第二个例子中，张量的每个元素被提升到了对应 exponent 张量中元素的幂。在第三个例子中，我们使用了 out 参数来指定输出张量。

5.6 torch.sqrt()函数

torch.sqrt() 是 PyTorch 中的一个函数，用于计算输入张量每个元素的平方根。

函数的基本语法如下：

torch.sqrt(input, out=None) → Tensor

参数说明：

  • input：要进行平方根计算的输入张量。
  • out：可选参数，用于指定输出张量。

torch.sqrt() 函数会返回一个新的张量，其中每个元素都是输入张量对应元素的平方根。如果输入张量中的元素是负数，那么结果将是 NaN（不是一个数字）。

以下是一个使用 torch.sqrt() 的例子：

import torch# 创建一个张量
x = torch.tensor([4.0, 9.0, 16.0])# 计算每个元素的平方根
y = torch.sqrt(x)print(y)  # 输出: tensor([2., 3., 4.])

在这个例子中，我们创建了一个包含三个元素的张量 x，然后使用 torch.sqrt() 计算了每个元素的平方根，并将结果存储在 y 中。输出显示 y 中的每个元素都是 x 中对应元素的平方根。

5.7 torch.exp()函数

torch.exp() 函数的完整函数签名在 PyTorch 中是这样的：

torch.exp(input, out=None) → Tensor

这个函数接受两个参数：

  • input (Tensor): 输入张量。这应该是你想要计算其每个元素自然指数（e 的幂）的张量。
  • out (Tensor, 可选): 输出张量。如果提供，结果将直接写入这个张量中。如果没有提供，函数将返回一个新的张量。

torch.exp() 函数返回一个新的张量，其中包含输入张量中每个元素的自然指数（即 e 的对应元素幂）。这个函数对于实现诸如神经网络中的激活函数（如 softmax）或计算概率分布（如高斯分布）等任务非常有用。

以下是一个使用 torch.exp() 函数的例子：

import torch# 创建一个张量
x = torch.tensor([0.0, 1.0, 2.0])# 计算每个元素的自然指数
y = torch.exp(x)print(y)  # 输出: tensor([1., 2.7183, 7.3891])

在这个例子中，我们创建了一个包含三个元素的张量 x，然后使用 torch.exp() 计算了每个元素的自然指数，并将结果存储在 y 中。输出显示 y 中的每个元素都是 x 中对应元素的自然指数。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/news/745266.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

freemarker if 判断list 中的元素是否为null

freemarker if 判断list 中的元素是否为null

判断item.totalPrice 是否为null, 如果不为null 直接传递值, 为null则置0 <table><tr><th>排名</th><th>商品名</th><th>成交金额</th></tr><#list items as item><tr><td>${item?index 1}</td…
阅读更多...
物联网终端telegraf采集设备信息

物联网终端telegraf采集设备信息

背景 低功耗设备上资源有限&#xff0c;但又比较重要。对其的管理难度很大&#xff0c;有些时候又必须时刻了解其运行状况。我们自然想到的是能否有办法监控它呢&#xff1f;当时是有的&#xff01;而且很成熟的解决方案。TICK技术栈&#xff0c;那TICK是什么呢&#xff1f; TI…
阅读更多...
Hive中的NVL函数与COALESCE函数

Hive中的NVL函数与COALESCE函数

1.NVL函数 1.1 函数语法 -- nvl(value,default_value) - Returns default value if value is null else returns value Example:> SELECT nvl(null,bla) FROM src LIMIT 1;bla Function class:org.apache.hadoop.hive.ql.udf.generic.GenericUDFNvl Function type:BUILTIN…
阅读更多...
【剪枝实战】使用VGGNet训练、稀疏训练、剪枝、微调等，剪枝出只有3M的模型

【剪枝实战】使用VGGNet训练、稀疏训练、剪枝、微调等，剪枝出只有3M的模型

摘要 本次剪枝实战是基于下面这篇论文去复现的&#xff0c;主要是实现对BN层的γ/gamma进行剪枝操作&#xff0c;本文用到的代码和数据集都可以在我的资源中免费下载到。 相关论文&#xff1a;Learning Efficient Convolutional Networks through Network Slimming (ICCV 2017…
阅读更多...
【好玩的经典游戏】Docker环境下部署双人网页小游戏

【好玩的经典游戏】Docker环境下部署双人网页小游戏

【好玩的经典游戏】Docker环境下部署双人网页小游戏 一、项目介绍1.1 项目简介1.2 项目特点二、本次实践介绍二、本地环境介绍2.1 本地环境规划2.2 本次实践介绍三、本地环境检查3.1 安装Docker环境3.2 检查Docker服务状态3.3 检查Docker版本3.4 检查docker compose 版本四、构…
阅读更多...
Ubuntu18.04下opencv基础操作(打开图片及视频)

Ubuntu18.04下opencv基础操作(打开图片及视频)

文章目录 一、认识opencv一、编写一个打开图片进行特效显示的代码二、使用opencv库编写打开摄像头压缩视频的程序2.1 虚拟机获取摄像头权限2.2 播放视频2.3 录制视频 三、总结四、参考资料 一、认识opencv 开源计算机视觉(OpenCV)是一个主要针对实时计算机视觉的编程函数库。 …
阅读更多...
WanAndroid(鸿蒙版)开发的第四篇

WanAndroid(鸿蒙版)开发的第四篇

前言 DevEco Studio版本&#xff1a;4.0.0.600 WanAndroid的API链接&#xff1a;玩Android 开放API-玩Android - wanandroid.com 其他篇文章参考&#xff1a; 1、WanAndroid(鸿蒙版)开发的第一篇 2、WanAndroid(鸿蒙版)开发的第二篇 3、WanAndroid(鸿蒙版)开发的第三篇 …
阅读更多...
Gitee 服务器

Gitee 服务器

Git 服务器集成 1. 创建仓库 2. 远程仓库简易操作指令 # Git 全局设置&#xff0c;修改成自己的信息 git config --global user.name "Muko" git config --global user.email "txk0x7d2163.com" # 创建 git 仓库&#xff0c;基本操作指令和其他远程仓库一…
阅读更多...
ES6 数组常用方法

ES6 数组常用方法

实例方法 at() 长久以来&#xff0c;JavaScript 不支持数组的负索引&#xff0c;如果要引用数组的最后一个成员&#xff0c;不能写成arr[-1]&#xff0c;只能使用arr[arr.length - 1]。 这是因为方括号运算符[]在 JavaScript 语言里面&#xff0c;不仅用于数组&#xff0c;还用…
阅读更多...
Ps 滤镜：中间值

Ps 滤镜：中间值

Ps菜单&#xff1a;滤镜/杂色/中间值 Filter/Noise/Median 中间值 Median滤镜可用于减少或消除图像中的噪点和杂色&#xff0c;同时能较好地保留图像边缘和细节信息。 中间值滤镜通过计算一个像素周围一定区域内的像素值的中间值&#xff08;即这些值的中位数&#xff09;&…
阅读更多...
群集----Memcached

群集----Memcached

一、NoSQL介绍 NoSQL是对 Not Only SQL、非传统关系型数据库的统称。 NoSQL一词诞生于1998年&#xff0c;2009年这个词汇被再次提出指非关系型、分布式、不提供ACID的数据库设计模式。 随着互联网时代的到来&#xff0c;数据爆发式增长&#xff0c;数据库技术发展日新月异&a…
阅读更多...
集群保持集群负载均衡和hash一致性

集群保持集群负载均衡和hash一致性

集群保持负载均衡和一致性哈希是在构建分布式系统时经常涉及的两个重要概念。 负载均衡&#xff1a; - 在集群中&#xff0c;负载均衡是指将传入的请求有效地分发到不同的服务器上&#xff0c;以确保每台服务器都能够处理适量的流量&#xff0c;避免某些服务器过载而造成性能问…
阅读更多...
有密码pdf保存为无密码的

有密码pdf保存为无密码的

在使用itext对pdf加水印的时候&#xff0c;如果pdf有密码是不行的。所以使用Python的PyMuPDF库去掉密码。 用pip install PyMuPDF安装PyMuPDF 解密代码 import fitz# 打开加密的PDF文件 doc fitz.open("C:/Users/zhour/Documents/department.pdf") doc.authentica…
阅读更多...
Pandas教程15：多个DataFrame数据（保存+追加）为Excel表格数据

Pandas教程15：多个DataFrame数据（保存+追加）为Excel表格数据

---------------pandas数据分析集合--------------- Python教程71&#xff1a;学习Pandas中一维数组Series Python教程74&#xff1a;Pandas中DataFrame数据创建方法及缺失值与重复值处理 Pandas数据化分析&#xff0c;DataFrame行列索引数据的选取&#xff0c;增加&#xff0c…
阅读更多...
公考-银发经济

公考-银发经济

问题: 养老服务质量差。机构设施不完善&#xff0c;服务质量参差不齐&#xff0c;缺乏日常的管理和监督。 专业人才培养不足&#xff0c;人才培养机制不完善&#xff0c;养老服务行业年轻人缺乏 养老科普不到位&#xff0c;不了解养老机构养老等新兴养老方式&#xff0c;对养老…
阅读更多...
怎么避免电脑数据被拷贝？电脑如何禁用USB功能？

怎么避免电脑数据被拷贝？电脑如何禁用USB功能？

在无纸化办公的今天&#xff0c;很多重要数据都存放在电脑中。为了避免数据泄露&#xff0c;需要采用安全的方式保护电脑数据。那么&#xff0c;该如何避免电脑数据被拷贝呢&#xff1f;下面我们就来了解一下。 方法一&#xff1a;物理隔绝 物理隔绝是一种原始但有效的USB禁用…
阅读更多...
《小程序从入门到入坑》框架语法

《小程序从入门到入坑》框架语法

前言 哈喽大家好&#xff0c;我是 SuperYing&#xff0c;我们继续小程序入门系列&#xff0c;本文将对小程序框架语法进行比较全面的介绍。在《小程序从入门到入坑》简介及工程创建中&#xff0c;我们提到小程序项目结构&#xff0c;主要包括 app.json&#xff0c;app.js&…
阅读更多...
STM32初识1

STM32初识1

什么是单片机&#xff1f; 单片机&#xff08; Single-Chip Microcomputer &#xff09;是一种集成电路芯片&#xff0c;把具有数据处理能力的中央处 理器 CPU 、随机存储器 RAM 、只读存储器 ROM 、多种 I/O 口和中断系统、定时器 / 计数器等功 能&#xff08;可能还包括显示…
阅读更多...
学习Android的第二十九天

学习Android的第二十九天

目录 Android Service 与 Activity 通讯 范例 Android Service Alarm 定时广播 Alarm Alarm 使用流程 范例 Android IBinder Binder 为什么是 Binder ? Android Service 与 Activity 通讯 Activity 与 Service 通信的媒介就是 Service 中的 onBind() 方法&#xff0…
阅读更多...
部署快捷、使用简单、推理高效！大模型部署和推理框架 Xinference 来了！

部署快捷、使用简单、推理高效！大模型部署和推理框架 Xinference 来了！

今天为大家介绍一款大语言模型&#xff08;LLM&#xff09;部署和推理工具——Xinference[1]&#xff0c;其特点是部署快捷、使用简单、推理高效&#xff0c;并且支持多种形式的开源模型&#xff0c;还提供了 WebGUI 界面和 API 接口&#xff0c;方便用户进行模型部署和推理。 …
阅读更多...
最新文章

Copyright @ 2022~2023