深度之眼官方账号 - 01-03-mp4-张量操作与线性回归

torch.add()

功能：逐元素计算input+alpha×other。

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

input：tensor；
alpha：other的系数，是个实数；
other：和input同样形状的tensor。

import torcht1 = torch.tensor([[2, 3], [4, 5]])
t2 = torch.tensor([[1, 1], [2, 2]])
t = torch.add(t1, alpha=2, other=t2)
print(t)

输出：

tensor([[4, 5],[8, 9]])

torch.sub()

功能：逐元素计算input-alpha×other。

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

input：tensor；
alpha：other的系数，是个实数；
other：和input同样形状的tensor。

import torcht1 = torch.tensor([[2, 3], [4, 5]])
t2 = torch.tensor([[1, 1], [2, 2]])
t = torch.add(t1, alpha=2, other=t2)
print(t)

输出：

tensor([[0, 1],[0, 1]])

torch.mul()

功能：逐元素计算$ou{t}_i=inpu{t}_i\times othe{r}_i$

torch.mul(input,other)

input：tensor；
other：和input同样尺寸的tensor。
other支持广播，即可以只向other传入一个数，torch利用广播机制变成同样尺寸的tensor。

import torcht1 = torch.tensor([[9, 12], [15, 18]])
t2 = torch.tensor([[3, 3], [2, 2]])
t = torch.mul(t1, other=t2)
print(t)

输出：

tensor([[27, 36],[30, 36]])

torch.div()

功能：逐元素计算$ou{t}_i=\frac{inpu{t}_i}{other}$

torch.div(input,other)

input：tensor；
other：和input同样尺寸的、元素不能为0的tensor。
other支持广播，即可以只向other传入一个数，torch利用广播机制变成同样尺寸的tensor。

import torcht1 = torch.tensor([[9, 12], [4, 6]])
t2 = torch.tensor([[3, 3], [2, 2]])
t = torch.div(t1, other=t2)
print(t)

输出：

tensor([[3., 4.],[2., 3.]])

torch.addcmul()

功能：逐元素计算$ou{t}_i=inpu{t}_i+value\times tensor{1}_i\times tensor{2}_i$

torch.addcmul(input,value=1,tensor1,tensor2,out=None)

input：输入的tensor；
value：见公式，实数；
tensor1：和input相同形状的tensor，见公式；
tensor2：和input相同形状的tensor，见公式。

import torcht1 = torch.tensor([[2., 3.], [4., 5.]])
t2 = torch.tensor([[4., 6.], [8., 10.]])
t3 = torch.tensor([[2., 2.], [2., 2.]])
t = torch.addcmul(t1, value=2, tensor1=t2, tensor2=t3)
print(t)

输出：

tensor([[18., 27.],[36., 45.]])

torch.addcdiv()

功能：逐元素计算$ou{t}_i=inpu{t}_i+value\times \frac{tensor{1}_i}{tensor{2}_i}$。

torch.addcdiv(input,value=1,tensor1,tensor2,out=None)

input：输入的tensor；
value：见公式，实数；
tensor1：和input相同形状的tensor，见公式；
tensor2：和input相同形状但是元素中不能出现0的tensor，见公式。
注：input、tensor1、tensor2的内容需要是浮点型。如果使用整数会报如下错误：

RuntimeError: Integer division with addcdiv is no longer supported, and in a future release addcdiv will perform a true division of tensor1 and tensor2. The historic addcdiv behavior can be implemented as (input + value * torch.trunc(tensor1 / tensor2)).to(input.dtype) for integer inputs and as (input + value * tensor1 / tensor2) for float inputs. The future addcdiv behavior is just the latter implementation: (input + value * tensor1 / tensor2), for all dtypes.

import torcht1 = torch.tensor([[2., 3.], [4., 5.]])
t2 = torch.tensor([[4., 6.], [8., 10.]])
t3 = torch.tensor([[2., 2.], [2., 2.]])
t = torch.addcdiv(t1, value=2, tensor1=t2, tensor2=t3)
print(t)

输出：

tensor([[ 6.,  9.],[12., 15.]])

torch.log()

功能：逐元素求解$ou{t}_i=lo{g}_e(inpu{t}_i)$。

torch.log(input,out=None)

input：待求解的tensor。

import torcht1 = torch.tensor([[9., -12.], [15., 18.]])
t = torch.log(t1)
print(t)

输出：

tensor([[2.1972,    nan],[2.7081, 2.8904]])

torch.log10()

功能：逐元素求解$ou{t}_i=lo{g}_{10}(inpu{t}_i)$。

torch.log10(input,out=None)

input：待求解的tensor。

import torcht1 = torch.tensor([[9., -12.], [15., 18.]])
t = torch.log10(t1)
print(t)

输出：

tensor([[0.9542,    nan],[1.1761, 1.2553]])

torch.log2()

功能：逐元素求解$ou{t}_i=lo{g}_2(inpu{t}_i)$。

torch.log2(input,out=None)

input：待求解的tensor。

import torcht1 = torch.tensor([[8., -12.], [16., 18.]])
t = torch.log2(t1)
print(t)

输出：

tensor([[3.0000,    nan],[4.0000, 4.1699]])

torch.exp()

功能：逐元素求解$ou{t}_i=e^{inpu{t}_i}$。

torch.exp(input,out=None)

input：待求解的tensor。

import math
import torcht1 = torch.tensor([[-2., 0.], [1., math.log(2.)]])
t = torch.exp(t1)
print(t)

输出：

tensor([[0.1353, 1.0000],[2.7183, 2.0000]])

torch.pow()

功能：逐元素求解$ou{t}_i=x_i^{exponen{t}_i}$

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

input：待求解的tensor。
exponent：与input相同形状的tensor。
如果exponent是一个数，torch会广播成一个和input相同形状的tensor。

import torcht1 = torch.tensor([[1., 2.], [3., 4.]])
t2 = torch.tensor([[3., 2.], [4., 2.]])
t3 = torch.pow(t1, 2.)
t4 = torch.pow(t1, t2)
print(t3)
print(t4)

输出：

tensor([[ 1.,  4.],[ 9., 16.]])
tensor([[ 1.,  4.],[81., 16.]])

tensor.abs()

功能：逐元素取绝对值，$ou{t}_i=|inpu{t}_i|$。

torch.abs(input,out=None)

input：待求解的tensor。

import torcht1 = torch.tensor([[1., -2.], [-3., 4.]])
t = torch.abs(t1)
print(t)

输出：

tensor([[1., 2.],[3., 4.]])

tensor.acos()

功能：逐元素求解$ou{t}_i=co{s}^{-1}(inpu{t}_i)$。

torch.acos(input,out=None)

input：待求解的tensor。

import torcht1 = torch.randn(4)
print(t1)
t = torch.acos(t1)
print(t)

输出：

tensor([ 0.5100,  0.1678, -0.0250,  0.3119])
tensor([1.0357, 1.4022, 1.5958, 1.2536])

torch.cosh()

功能：逐元素求解$ou{t}_i=cosh(inpu{t}_i)$
注：$cosh(x)=\frac{e^x+e^{-x}}{2}$

torch.cosh(input,out=None)

input：待求解的tensor。

import torcht1 = torch.randn(4)
print(t1)
t = torch.cosh(t1)
print(t)torch.cosh(input,out=None)

输出：

tensor([-0.3447, -0.2875, -0.2717, -1.3635])
tensor([1.0600, 1.0416, 1.0371, 2.0828])

torch.cos()

功能：逐元素求解$ou{t}_i=cos(inpu{t}_i)$

torch.cos(input,out=None)

input：待求解的tensor。

import torcht1 = torch.randn(4)
print(t1)
t = torch.cos(t1)
print(t)torch.cosh(input,out=None)

输出：

tensor([-0.6443, -0.8991,  1.2432, -0.3162])
tensor([0.7995, 0.6223, 0.3218, 0.9504])

torch.asin()

功能：逐元素求解$ou{t}_i=si{n}^{-1}(inpu{t}_i)$

torch.asin(input,out=None)

input：待求解的tensor。

import torcht1 = torch.randn(4)
print(t1)
t = torch.asin(t1)
print(t)

输出：

tensor([-0.7372, -0.0238, -1.8213, -0.0912])
tensor([-0.8289, -0.0238,     nan, -0.0913])

torch.atan()

功能：逐元素求解$ou{t}_i=ta{n}^{-1}(inpu{t}_i)$

torch.atan(input,out=None)

input：待求解的tensor。

import torcht1 = torch.randn(4)
print(t1)
t = torch.atan(t1)
print(t)

输出：

tensor([ 0.3620, -0.6551,  1.0304,  2.1545])
tensor([ 0.3474, -0.5799,  0.8003,  1.1362])

torch.atan2()

功能：逐元素求解$ou{t}_i=ta{n}^{-1}(\frac{inpu{t}_i}{othe{r}_i})$

torch.atan(input,other,out=None)

input：待求解的tensor。

import torcht1 = torch.randn(4)
print(t1)
t2 = torch.randn(4)
print(t2)
t = torch.atan2(t1, t2)
print(t)

输出：

tensor([ 1.9372,  0.7993, -1.4123,  0.4260])
tensor([-1.5106,  1.2147, -1.4479,  0.1674])
tensor([ 2.2331,  0.5820, -2.3686,  1.1963])