深度学习(九)——Tensor基本运算

最新推荐文章于 2024-11-05 20:35:47 发布
原创 最新推荐文章于 2024-11-05 20:35:47 发布
· 628 阅读 · 0 ·
版权
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。

本文介绍了深度学习中Tensor的基本运算，包括加减乘除、矩阵相乘、次方函数及取整操作。torch.matmul(@)用于矩阵相乘，遵循Pytorch的输出优先原则。对于四维Tensor，特定维度进行矩阵乘法。此外，还讨论了平方根、指数、对数、取整和裁剪等函数的使用。

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

+：add或者+
-：sub或者-
*：mul或者*
/：div或者/——一个**/符号代表除法，两个//**代表整除
在这里插入图片描述
矩阵相乘
*：是对应位置相乘
torch.mm只适用2d，不推荐
torch.matmul=@:矩阵相乘，@是matmul的重载
在这里插入图片描述
图中w为(512，784)，a(4,784)@w(784,512)=(4,512),为什么w的512放第一位呢：Pytorch习惯把输出放第一位，t()：转置，适合2d，高维用transpose
在这里插入图片描述
四维*四维：前两位不变，矩阵乘后两位，前两位如果不一致就适用broadcast

最低0.47元/天 解锁文章
PyTorch深度学习实战（4）—— Tensor的基本操作
shangjg3的博客
08-07 1139
其中，大多数索引操作通过修改Tensor的stride等属性与原Tensor共享内存，即修改了其中一个Tensor，另一个Tensor会跟着改变。HalfTensor是专门为GPU版本设计的，同样的元素个数，HalfTensor的显存占用只有FloatTensor的一半，因此使用HalfTensor可以极大缓解GPU显存不足的问题。用户可以沿着某一维度进行指定的归并操作，例如，加法。的输入对象都是多个Tensor组成的一个序列（如列表、元组等），所有的Tensor在拼接之外的维度必须相同或者可以进行广播。
PyTorch深度学习实战（5）—— Tensor的命名张量和基本结构
shangjg3的博客
08-08 1175
Tensor分为头信息区（Tensor）和存储区（Storage），头信息区主要保存Tensor的形状（size）、步长（stride）、数据类型（type）等信息，真正的数据在存储区保存成连续数组。Tensor的内存地址指向Tensor的头（head），不同Tensor的头信息一般不同，但可能使用相同的Storage。在进行张量的运算时，命名张量可以提供更高的安全性。例如，在进行Tensor的加法时，如果两个Tensor的维度名称没有对齐，那么即使它们的维度相同也无法进行计算。在内存共享方面的区别。
TensorFlow 位运算
weixin_37804469的博客
12-16 405
且位运算： tf.bitwise.bitwise_and(x, y, name=None) 或位运算： tf.bitwise.bitwise_or(x, y, name=None) 异或位运算： tf.bitwise_bitwise_xor(x, y, name=None) 取反位运算： tf.bitwis_invert(x, name=None) x, y 数据类型只能是int8, int16, int32, int64, uint8, uint16, uint32, uint64 中.
tensorflow中的位操作
机器学习杂货铺1号店
08-16 1672
版本号：1.10 TensorFlow支持位操作，在模块tf.bitwise中包含了几个基本的位操作，分别是： 1. bitwise_and() 位与操作 c = a & bc = a & bc = a & b 2. bitwise_or() 位或操作 c=a|bc=a|bc ...
tensor的*和@两种运算的区别（numpy同样的），超详细一篇看懂
qq_41726670的博客
09-15 1727
tensor的*和@两种运算的区别@ 运算* 运算 @ 运算 @运算是标准的矩阵乘法。即 运算可概括为：A的第一行乘上B的第一列，组成C的第一个数，即 然后A的第一行乘上B的第二列，组成C的第二个数，即 再用A的第二行乘上B的第一列，组成C的第三个数，即 最后 A的第二行乘上B的第二列，组成C的第最后一个数，即 注意：假设 A的shape为mn，B的shape为ns , 那么C的shape为M*S。并且，A的列一定要等于B的行，才能执行@运算。 * 运算 *运算是对应位置的单个元素相乘。 运算可概括为：A
tensor取整/取余
huihuixiaoxue的博客
12-28 1566
Tensor的算术运算
Thumb_的博客
03-02 3330
Tensor的算术运算——加法运算 c = a + b c = torch.add(a,b) a.add(b) a.add_(b) 其中，前三种一样，第四种是对 a 进行了修改。 Tensor的算术运算——减法运算 减法同理 c = a - b c = torch.sub(a,b) a.sub(b) a.sub_(b) Tensor的算术运算——乘法运算 哈达玛积（element wise,对应元素相乘） c = a * b c = torch.mul(a,b) a.mul(b) a.mul_(b)
深度学习（二）pytorch入门——tensor
最新发布
2301_79712009的博客
11-05 1292
在实际的应用中，经常需要增加或减少Tensor的维度，尤其是维度为1的情况，这时候可以使用squeeze()与unsqueeze()函数，前者用于去除size为1的维度，而后者则是将指定的维度的size变为1。()函数可以在不改变Tensor数据的前提下任意改变Tensor的形状，必须保证调整前后的元素总数相同，并且调整前后内存共享，三者的作用基本相同。ranspose()函数可以将指定的两个维度的元素进行转置，而permute()函数可以按照给定的维度进行维度变换。张量的形状表示张量在每个维度上的大小。
从零实现深度学习框架——计算图运算补充
日积月累，天道酬勤
12-19 1271
本文额外介绍一些操作的计算图，像求最大值(Max)、切片(Slice)、变形(Reshape)和转置(Transpose)。
PyTorch基本数学运算
Temmie1024的博客
05-14 1179
矩阵的加减乘(数乘)除(数除) 可以使用符号+ - * / a+b a-b a*b a/b 也可以写add sub mul div torch.add(a,b) torch.sub(a,b) torch.mul(a,b) torch.div(a,b) //表示整除 这样的运算是允许的，它会进行维度扩展 矩阵的乘与除 torch.matmul或者使用@ mm不推荐，因为它只能处理2*2的 对于高维矩阵，@与matmul会计算最后两维的乘法，前面的不进行改变。如果前面的值不对应会使用brodcasting进
Pytorch Tensor基本数学运算详解
09-18
今天小编就为大家分享一篇Pytorch Tensor基本数学运算详解，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
Pytorch 基础之数学运算
zxhandroid的博客
02-26 2274
每门语言都少不了加减乘除等数学运算，Pytorch 作为一个开源的机器学习库，除了这些基本的数学运算，还涉及到矩阵运算、三角函数、傅立叶变换等等。
Pytorch中的取整和取余的运算
weixin_43869605的博客
08-23 5781
案例： import torch a = torch.rand(2, 2).mul_(10) print(a) print(torch.floor(a)) # 向下取整 print(torch.ceil(a)) # 向上取整 print(torch.round(a)) # 四舍五入 print(torch.frac(a)) # 取小数部分 """ tensor([[7.8476, 0.2960], [8.8300, 6.9507]]) tensor([[7., 0.]
pytorch基础操作
qiu_huohuo
04-25 1140
取整函数 torch.abs(变量) 加法函数 torch.add(变量，变量) (3)裁剪函数 torch.clamp (变量，上边界，下边界): 输入参数一共有三个，分别是需要进 行裁剪的Tensor数据类型的变量、裁剪的上边界和裁剪的下边界。如果需要裁剪的数小于下边界的话，就将其变为下边界，如果大于上边界的话，就变为上边界，处于边界内的数就直接输入对应的数。 (4)...
记录PyTorch图像处理的归一化和标准化问题和tensor.sub_和tensor.sub方法
qq_25392183的博客
10-29 2801
记录PyTorch的tensor.sub_和tensor.sub方法 起因是写图像数据处理的时候需要给图片加噪声，在归一化的时候研究了一下transforms.nornalize()方法，核心是这个 tensor.sub_(mean).div_(std) 手册里sub_()方法和sub()方法是一样的，给出的是 outi=inputi−alpha×othersi \text{out}_i =\text{input}_i-\text{alpha}\times\text{others}_i outi​=inp
pytorch中tensor的加减乘除和常见操作
热门推荐
ljm_99的博客
03-10 4万+
乘法 a * b，要求两个矩阵维度完全一致，即两个矩阵对应元素相乘，输出的维度也和原矩阵维度相同 torch.mul(a, b)是矩阵a和b对应位相乘，a和b的维度必须相等，比如a的维度是(1, 2)，b的维度是(1, 2)，返回的仍是(1, 2)的矩阵 torch.mm(a,b)，要求两个矩阵维度是（n×m）和（m×p），即普通二维矩阵乘法 torch.matul(a,b)，matmul可以进行张量乘法，输入可以是高维，当输入是多维时，把多出的一维作为batch提出来，其他部分做矩阵乘法 a * b 要
pytorch tensor division/除法
qq_29007291的博客
11-26 1万+
除法的时候要注意数据类型的问题 a = torch.div(torch.tensor([160, 110]), 0.137) jupyter notebook就会奔溃, 因为torch.tensor([160, 110])是torch.int64数据类型, 而0.137(或者说torch.tensor(0.137))是torch.float32类型. 如果改成下面这样, 就会顺利运行 a = t...
Pytorch Tensor的奇妙运算
w55100的博客
05-20 1万+
加法运算 1. 加号运算符 同型时，效果等同于点加 import torch a = torch.Tensor([1,2]) b = torch.Tensor([3,4]) c=a+b print(c) #tensor([4,6]) a = torch.Tensor([[1,2],[3,4]]) b = torch.Tensor([[5,6],[7,8]]) c=a+...
torch.split() 与 torch.chunk()
越努力 越幸运
01-07 2万+
torch.split() torch.chunk() 区别 两者都是切分tensor操作，有一些略微的不同。 torch.split() 官网：https://pytorch.org/docs/stable/torch.html#torch.split torch.split(tensor,ssplit_size_or_section,dim=0) torch.split...
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
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