Pytorch入门＞ 1.1张量的运算广播机制及其他操作

最新推荐文章于 2025-06-04 10:17:35 发布

codanlp

最新推荐文章于 2025-06-04 10:17:35 发布

阅读量1.3k

点赞数

CC 4.0 BY-SA版权

分类专栏： Pytorch 文章标签： pytorch python 张量

本文链接：https://blog.youkuaiyun.com/weixin_39073416/article/details/121363569

1.张量运算

张量的四则运算：加x+y, 减x-y, 乘x*y, 除x/y

其他运算：幂x**y ，指数函数torch.exp()

对张量所有元素求和.sum()

张量的范数torch.norm(),其中tensor必须为浮点数。

$||X||_{2}= \sqrt{\sum_{i=1}^{n}}x_{i}^{2}$

import torch
u= torch.tensor([3.,4.])
torch.norm(u)

最低0.47元/天解锁文章

200万优质内容无限畅学

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

codanlp

关注关注

0
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

【深度学习】张量的广播专题

gongdiwudu的专栏

07-17

7458

张量广播（tensor broadcasting）是一种将低维张量自动转化为高维张量的技术，使得张量之间可以进行基于元素的运算（如加、减、乘等）。在进行张量广播时，会将维度数较少的张量沿着长度为1的轴进行复制，在匹配维度后，两个张量就可以进行运算。

NNDL 实验二 pytorch入门——张量

weixin_63539289的博客

09-10

2074

神经网络与深度学习（二） pytorch入门——张量的基本用法

参与评论您还未登录，请先登录后发表或查看评论

深度学习 - 张量的广播机制和复杂运算

weixin_47552266的博客

06-05

1945

张量的广播机制（Broadcasting）是一种处理不同形状张量进行数学运算的方式。通过广播机制，PyTorch可以自动扩展较小的张量，使其与较大的张量形状兼容，从而进行元素级的运算。

张量的广播机制

luoganttcc的博客

06-15

2738

tensorflow 的字面翻译是----张量(tensor)—流(flow) 为什么要引入张量的广播机制，原因是有利可图，这个利益就是能节约内存空间，说白了就是省钱！！！凡事都有两面，既然能省钱，那一定费脑子，哲学一点的说法就是’抽象’ 对于张量的加法，乘法，不要求两个张量的维度完全相同，对于有很多重复元素的张量而言，可以用一个低纬度张量代表高维张量广播的原则如果两个数组的后缘维度（trailing dimension，即从末尾开始算起的维度）的轴长度相符，或其中的一方的长度为1，则认为它们是广播

张量广播机制（Broadcasting）深度解析

最新发布

浩瀚之水的专栏

06-04

1171

广播机制是深度学习框架中处理不同形状张量运算的核心技术，它允许在不实际复制数据的前提下，对形状不同的张量执行元素级操作。这一机制在残差网络、注意力机制等现代深度学习架构中扮演着至关重要的角色。

【PyTorch】张量的广播机制（Broadcasting）

彬彬侠的博客

02-12

1199

在PyTorch（以及NumPy）中，广播机制（Broadcasting）允许在进行逐元素（element-wise）操作时，使形状不同的张量兼容，而无需手动扩展张量的维度。广播的目的是避免显式地复制数据，节省计算资源。PyTorch在进行逐元素操作（如+,-,*,/,torch.pow()等）时，会遵循以下广播规则：如果两个张量的形状（shape）不同，PyTorch会从后向前（右对齐）逐个维度进行匹配。维度必须相等，或者其中一个张量的维度为1，否则会报错。如果一个维度为1，则会沿着该维度进行扩展，使得它

pytorch学习日志——张量，广播机制，索引与切片

weixin_48637535的博客

07-21

968

在 PyTorch 中，张量（Tensor）是一种多维数组，可以用来表示各种类型的数据，例如图像、音频、文本等。张量具有以下特点：多维数组：张量可以表示任意维度的多维数组，例如标量（0 维）、向量（1 维）、矩阵（2 维）等。张量运算：张量支持各种数学运算，例如加法、减法、乘法、除法等，还支持逐元素运算、矩阵运算、广播运算等。自动求导：张量支持自动求导，可以方便地进行反向传播算法，用于训练深度学习模型。支持 GPU 计算：张量支持在 GPU 上进行计算，可以大幅提高计算速度。在。

神经网络与深度学习（二） pytorch入门——张量

weixin_53651790的博客

09-05

1906

pytorch——张量学习记录

NNDL 实验二 Pytorch入门

weixin_51626106的博客

09-10

1194

NNDL 实验二 Pytorch入门

NNDL 实验二 pytorch入门

m0_73478739的博客

09-10

728

神经网络与深度学习实验二

Pytorch (1): 张量的广播和运算

林小川的博客

04-01

2932

一. 主题： 0. 理清Pytorch中广播的计算原理 1. 记录Pytorch中较为特殊的计算方法 2. 记录Pytorch矩阵计算方法二. 广播：当张量的维度shape不一致时，广播机制会自动调整张量维度使得计算可以顺利进行。实例1：张量t2.shape = (3, 4)，张量t21.shape = (1, 4)，其计算过程如下，将t21复制为shape=(3, 4)，然后对应位置相加计算。计算结果：实例2：当两个张量的形状上有两个分量不同时，只要不同的分量仍然

python中张量的广播机制

weixin_66732375的博客

10-30

163

python中张量的广播机制

记录深度学习（三）----张量的广播和科学计算

weixin_50876927的博客

03-09

1572

介绍张量的广播规则以及科学计算

【TensorFlow深度学习】二、张量的数据操作（张量的创建、运算、广播机制、索引与切片以及内存优化）

鹤子的一些知识共享

11-20

633

本章节主要介绍了张量的各种操作，张量的创建、运算、广播机制、索引与切片以及内存优化等

pytorch张量运算的广播机制

qq_27390023的博客

09-04

921

广播机制极大简化了张量运算的代码编写，特别是在处理不同行数和列数的张量时。理解广播机制能够帮助你编写更高效、简洁的代码，并充分利用 PyTorch 的计算能力。

PyTorch 中广播机制（Broadcasting）笔记

锴笑口常开的博客

06-17

1659

在 PyTorch 中存在广播（Broadcasting），广播是一种机制，用于自动扩展较小的张量以匹配较大张量的形状，从而使得它们能够进行元素级操作（如加法、减法、乘法等）。广播并不改变张量的实际数据，而是通过虚拟扩展来简化操作。

PyTorch张量(tensor)之间的广播

qq_44733260的博客

07-04

520

tensor广播

张量的广播和科学运算

bit452的专栏

06-22

868

文章目录张量的广播(broadcast)特性相同形状的张量计算标量和任意形状的张量相同维度、不同形状的张量之间计算不同维度的张量计算过程中广播逐点运算（Pointwise Ops）加减乘除Tensor数值调整函数Tensor常用科学计算规约运算比较运算张量的广播(broadcast)特性相同形状的张量计算 “same shapes are always broadcastable”，相同形状数组总是可以进行广播计算。这里简单强调一下，虽然我们往往觉得不同形状之间的张量计算才是应用到广播特性，但其实相

第三课：张量的广播和科学运算

weixin_44953928的博客

04-02

1849

文章目录一、张量的广播（Broadcast）特性1.相同形状的张量计算2.不同形状的张量计算2.1 标量和任意形状的张量2.2 相同维度、不同形状的张量之间计算2.3 不同维度的张量计算过程中广播二、逐点运算（Pointwise Ops）排序运算：sort：（在PyTorch中，sort排序函数将同时返回排序结果和对应的索引值的排列。）三、规约运算dist计算距离规约运算的维度（理解：dim参数和shape返回结果一一对应）二维张量的排序四、比较运算数学运算的分类 PyToch总共为Tensor设计了六

PyTorch入门：理解张量与维度操作

PyTorch基础框架知识学习...理解并熟练运用PyTorch中的张量及其操作是深度学习开发的基础，这包括但不限于创建、转换、维度操作等。通过实践和这些基础知识，你将能够构建和优化自己的深度学习模型，适应各种应用场景。