PyTorch 数学运算

最新推荐文章于 2025-05-05 23:16:22 发布
最新推荐文章于 2025-05-05 23:16:22 发布
阅读量308 收藏
点赞数
文章标签： pytorch 深度学习 python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/m0_62103995/article/details/127475593
版权
本文介绍了如何利用重载运算符简化加减乘除操作，探讨了矩阵相乘的torch.nn、torch.matmul和@的使用，涵盖了n次方、开方、取整等常见操作，以及梯度计算的技巧，如grad的处理和常见函数如max、median、min。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

1.加减乘除

重载运算符比add，mul，div，sub好用

2.矩阵相乘

torch.nn(只可用于二维不推荐) 和torch.matmul和@三种

（注：神经网络就是不断矩阵相乘相加的过程）

3.n次方a.pow(n)或a**2表平方

4.开方a.sqrt()

5.平方根的倒数a.rsqrt()

6.a.floor()向下取整 a.ceil()向上取整 a.round()取a的整数部分 a.frac()取a的小数部分

7.grad(和a一样是张量)是梯度grand.max()取张量里面最大的 grad.median()是取张量里面居中的 grad.min()同理 ，grad.clamp(10)是将里面小于10的都替换成10 ，而grad.clamp(0,10)是将里面的数都在零到十之间。

PyTorch的数学运算
herosunly的博客
03-30 1万+
1. 张量的乘法(矩阵的乘法) 2. 幂 3. 指数 4. 近似 5. clamp 6. 范数 6.1 向量归一化 7. 统计值 8. ndim 9. topk 10. 高阶OP 10.1 Where 10.2 Gather
torch.matmul()用法介绍
热门推荐
杂文集
04-27 18万+
torch.mm()
pytorch基本数学运算：加法 减法 乘法 除法 指数 对数 绝对值
紫芝的博客
02-24 3152
pytorch基本数学运算：加法 减法 乘法 除法 指数 对数 绝对值
torch.bmm() 与 torch.matmul()
越努力 越幸运
01-07 4万+
torch.bmm() torch.matmul() torch.bmm()强制规定维度和大小相同 torch.matmul()没有强制规定维度和大小，可以用利用广播机制进行不同维度的相乘操作 当进行操作的两个tensor都是3D时，两者等同。 torch.bmm() 官网：https://pytorch.org/docs/stable/torch.html#torch.bmm t...
pytorch怎么设置模型参数初始值_pytorch自动求导Autograd系列教程（一）
weixin_39568781的博客
11-22 880
前言：构建深度学习模型的基本流程就是：搭建计算图，求得损失函数，然后计算损失函数对模型参数的导数，再利用梯度下降法等方法来更新参数。搭建计算图的过程，称为“正向传播”，这个是需要我们自己动手的，因为我们需要设计我们模型的结构。由损失函数求导的过程，称为“反向传播”，求导是件辛苦事儿，所以自动求导基本上是各种深度学习框架的基本功能和最重要的功能之一，PyTorch也不例外，后面有时间会写一下tens...
pytorch-数学运算
qq_56473969的博客
08-29 669
111
pytorch数学运算
wyw0000的博客
02-21 730
pytorch的数学运算
Pytorch 数学运算
weixin_44533869的博客
11-05 390
Pytorch 数学运算 basic：add sub div matmul import torch a = torch.rand(3, 4) b = torch.rand(4) print("a+b:\t", a+b) c = torch.add(a, b) print("c:\t", c) # a-b == sub(a, b) d = torch.all(torch.eq(a-b, torch.sub(a, b))) print("d:\t", d) # a/b == div(a, b)
PyTorch:数学运算
2205_75881260的博客
03-02 244
3. pow 次方运算。4. exp和log。
PyTorch 数学运算-Tensor基本操作
哒哒哒哒 哒哒
06-11 1205
PyTorch 学习之 Tensor 数学运算
Pytorch Tensor基本数学运算详解
09-18
本文将深入探讨PyTorch Tensor的基本数学运算，这些运算对于构建深度学习模型至关重要。 首先，我们来看加法运算。在PyTorch中，我们可以直接使用`+`运算符或者`torch.add()`函数将两个Tensor相加。在示例中，当一...
Pytorch 数学计算
zhuguiqin1的专栏
08-31 1141
1. 加法运算 torch.add(input, other, *, out=None) → Tensor 将标量 other 与input输入的每个元素相加并返回一个新的结果张量。 out=input+other 如果 input 是 Fl​​oatTensor 或 DoubleTensor 类型，则 other 必须是实数，否则应该是整数。 参数 input (Tensor) – the input tensor. other (Number) – the number to
一个完整的神经网络训练流程详解（附 PyTorch 示例）
hahaha_1112的博客
04-30 1277
一个完整的神经网络训练流程详解
【锂电池剩余寿命预测】RF随机森林锂电池剩余寿命预测（Pytorch完整源码和数据）
机器学习之心的博客，关注并私信文章链接，获取对应文章源码和数据。
05-04 110
【锂电池剩余寿命预测】RF随机森林锂电池剩余寿命预测（Pytorch完整源码和数据）
使用PyTorch实现线性回归：从零实现到高级API
m0_74824642的博客
05-02 418
x = torch.normal(0, 1, (num_examples, len(w))) # 生成正态分布的特征y = torch.matmul(x, w) + b # 计算标签 y = Xw + by += torch.normal(0, 0.01, y.shape) # 添加噪声return x, y.reshape((-1, 1)) # 返回特征和列向量形式的标签# 真实参数# 生成1000个样本。
基于CBOW模型的词向量训练实战：从原理到PyTorch实现
2201_75345884的博客
05-05 1043
CBOW（Continuous Bag-of-Words）模型是一种用于生成词向量的神经网络模型，它基于上下文预测目标词。其核心思想是：给定一个目标词的上下文单词，通过模型预测该目标词。在训练过程中，模型会不断调整参数，使得预测结果尽可能接近真实的目标词，最终训练得到的词向量能够捕捉单词之间的语义关系。
PyTorch_自动微分模块
CHNMSCS
05-05 142
自动微分 (Autograd) 模块对张量做了进一步的封装，具有自动求导功能。自动微分模块是构成神经网络训练的必要模块，在神经网络的反向传播过程中，Autograd 模块基于正向计算的结果对当前的参数进行微分计算，从而实现网络权重参数的更新。
【PyTorch完全指南】从深度学习原理到工业级实践
赶紧的博客
05-04 234
本文系统讲解PyTorch核心原理与实战技巧，通过20+代码示例演示神经网络构建、训练与部署全流程，对比框架特性并给出最佳实践方案。
Python 整理3种查看神经网络结构的方法
最新发布
weixin_40378209的博客
05-05 243
整理3种查看神经网络结构的python方法
pytorch的数学运算
02-27
### PyTorch中的数学运算 #### 基本算术运算 PyTorch支持多种基本的算术运算，包括加减乘除以及幂次方根等特殊运算。对于两个相同尺寸的张量可以执行逐元素相加、相减、相乘和相除操作[^1]。 ```python import torch tensor_a = torch.tensor([2.0, 3.0]) tensor_b = torch.tensor([4.0, 5.0]) addition_result = tensor_a + tensor_b subtraction_result = tensor_a - tensor_b multiplication_result = tensor_a * tensor_b division_result = tensor_a / tensor_b power_result = torch.pow(tensor_a, 2) print(f'Addition Result: {addition_result}') print(f'Subtraction Result: {subtraction_result}') print(f'Multiplication Result: {multiplication_result}') print(f'Division Result: {division_result}') print(f'Power Result: {power_result}') # 幂运算示例 ``` #### 高级数学函数 除了简单的四则运算外，还提供了丰富的高级数学功能，比如三角函数（sin, cos）、双曲函数（tanh），以及其他常见的数值处理方法如指数exp()、自然对数log()[^5]。 ```python data = torch.tensor([0., math.pi/2, math.pi/4]) sine_values = torch.sin(data) cosine_values = torch.cos(data) hyperbolic_tangent_values = torch.tanh(data) print(f"Sine Values: {sine_values}") print(f"Cosine Values: {cosine_values}") print(f"Hyperbolic Tangent Values: {hyperbolic_tangent_values}") ``` #### 矩阵乘法 当涉及到线性代数领域内的计算时，`torch.mm()`用于常规矩阵乘法；而`torch.matmul()`或`@`符号可用于更广泛的场景下实现广播机制下的批量矩阵乘法[^4]。 ```python matrix_A = torch.randn(3, 4) matrix_B = torch.randn(4, 2) product_mm = torch.mm(matrix_A, matrix_B) product_matmul = torch.matmul(matrix_A, matrix_B) product_operator = matrix_A @ matrix_B assert (product_mm == product_matmul).all() assert (product_mm == product_operator).all() print(product_mm) ``` #### 统计聚合操作 为了方便数据分析工作流，在PyTorch里也内置了一些统计汇总的功能，像mean(), sum(), max(), min()等等，可以帮助快速获取整个张量或者指定维度上的统计数据. ```python random_tensor = torch.rand((3, 4)) sum_elements = random_tensor.sum(dim=0) # 对每一列求和 maximum_value_per_row = random_tensor.max(dim=1)[0] print(sum_elements) print(maximum_value_per_row) ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

懒羊羊和大耳朵图图

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值