记录深度学习（四）-------张量的线性代数运算

最新推荐文章于 2024-07-07 20:19:40 发布

原创最新推荐文章于 2024-07-07 20:19:40 发布 · 1.3k 阅读

CC 4.0 BY-SA版权

文章标签：

部署运行你感兴趣的模型镜像

1、矩阵的形变及特殊矩阵的构建

该模块在前面几节已经讲过

注：这里需要一些线性代数的知识，批量处理需要好好理解

import torch
import numpy as np

a = torch.arange(12).reshape(2,2,3)
b  =torch.arange(27).reshape(3,3,3)
print(a)
print(b)

在这里插入图片描述
创建了两个三维张量。了解他们的批量乘法。

torch.bmm(a,b)

在这里插入图片描述
*批量矩阵相乘必须要矩阵个数相同，

c = torch.arange(18).reshape(2,3,3)
torch.bmm(a,c)

在这里插入图片描述
其它的运算都是同理，要掌握的话需要自己去实践。

这一块是完全的数学知识了，矩阵的迹是矩阵对角线元素相加的和，矩阵的秩是矩阵中最大线性无关组的个数，。。。。。。。满秩才能求逆等等等等

t = torch.arange(4,13).reshape(3,3)
torch.trace(t)

在这里插入图片描述

t =  torch.arange(12).reshape(4,3).float()
torch.matrix_rank(t)

在这里插入图片描述
剩下的就不一一举例了

您可能感兴趣的与本文相关的镜像

PyTorch 2.5

PyTorch

Cuda

PyTorch 是一个开源的 Python 机器学习库，基于 Torch 库，底层由 C++ 实现，应用于人工智能领域，如计算机视觉和自然语言处理