【深度学习入门】PyTorch张量操作与线性回归

在深度学习中，张量操作是构建和训练模型的基础。继上一篇博客之后，本文将深入介绍PyTorch张量的高级操作，并展示如何在PyTorch中实现一个简单的线性回归模型。

1. 张量的高级操作

1.1 逐元素操作

除了算术运算，PyTorch还支持逐元素操作，如torch.abs()（绝对值）和torch.relu()（修正线性激活函数）。

# 创建一个张量 
t = torch.tensor([-2, -1, 0, 1, 2]) 
# 计算绝对值 
abs_t = torch.abs(t) 
# 应用ReLU激活函数 
relu_t = torch.relu(t)

1.2 矩阵乘法

PyTorch提供了torch.mm()函数来进行矩阵乘法，以及torch.matmul()来进行更一般的矩阵乘法操作。

# 创建两个2x3矩阵 
m1 = torch.tensor([[1, 2], [3, 4]]) 
m2 = torch.tensor([[5, 6], [7, 8]]) 
# 使用torch.mm()进行矩阵乘法 
product_mm = torch.mm(m1, m2) 
# 使用torch.matmul()进行矩阵乘法 
product_matmul = torch.matmul(m1, m2)

1.3 张量缩减

可以使用如torch.sum()、torch.mean()、torch.max()等函数对张量进行缩减操作。

# 创建一个张量 
t = torch.tensor([[1, 2, 3], [4, 5, 6]])