1.标量使用
标量由只有一个元素的张量表示,标量可以做最简单的计算。
import torch
x=torch.tensor([3.0])
y=torch.tensor([2.0])
print(x+y)
print(x*y)
print(x/y)
print(x**y)结果：
tensor([5.])
tensor([6.])
tensor([1.5000])
tensor([9.])2.向量使用
向量：将标量值组成的列表就是向量
x=torch.arange(4)
print(x)
# 取向量中的元素
print(x[3])结果：
tensor([0, 1, 2, 3])
tensor(3)访问张量的长度
print(len(x))
# 结果为4只有一个轴的张量，形状只有一个元素
print(x.shape)
# 结果为：torch.Size([4])创建一个二维矩阵5行4列，然后将矩阵做转置，轴对称的一个转置
a=torch.arange(20).reshape(5,4)
print(a)
# 矩阵的转置
print(a.T)结果：其实就是把每一列转换成行
tensor([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11],
[12, 13, 14, 15],
[16, 17, 18, 19]])
tensor([[ 0, 4, 8, 12, 16],
[ 1, 5, 9, 13, 17],
[ 2, 6, 10, 14, 18],
[ 3, 7, 11, 15, 19]])3.矩阵使用
对称矩阵：它的转置等于自己，你可以注意数据里数值，就可以明白为什么是对称的了
b=torch.tensor([[1,2,3],[2,0,4],[3,4,5]])
print(b)
print("b的转置:",b.T)
print("转置后元素是否相等：",b==b.T)结果：
tensor([[1, 2, 3],
[2, 0, 4],
[3, 4, 5]])
b的转置: tensor([[1, 2, 3],
[2, 0, 4],
[3, 4, 5]])
转置后元素是否相等： tensor([[True, True, True],
[True, True, True],
[True, True, True]])就像向量是标量的推广，矩阵是向量的推广一样，我们可以构建具有更多轴的数据结构。
x=torch.arange(24).reshape(2,3,4)
print(x)结果：分别有两个二维，三行，四列的维度
tensor([[[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]],
[[12, 13, 14, 15],
[16, 17, 18, 19],
[20, 21, 22, 23]]])两个矩阵按元素乘法称为哈达玛积（数学符号⊙）。
a=torch.arange(20).reshape(5,4)
b=a.clone()# 重新分配内存，将A的副本分配给b
print("a:",a)
print("b:",b)
# 按元素乘法，哈达玛积
print("哈达玛积：",a*b)
# 也可以标量乘以或与矩阵相加
h=2
x=torch.arange(24).reshape(2,3,4)
print("h+x:",h+x)
print("x*a.shape:",(h*x).shape)结果：
a: tensor([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11],
[12, 13, 14, 15],
[16, 17, 18, 19]])
b: tensor([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11],
[12, 13, 14, 15],
[16, 17, 18, 19]])
哈达玛积： tensor([[ 0, 1, 4, 9],
[ 16, 25, 36, 49],
[ 64, 81, 100, 121],
[144, 169, 196, 225],
[256, 289, 324, 361]])
h+x: tensor([[[ 2, 3, 4, 5],
[ 6, 7, 8, 9],
[10, 11, 12, 13]],
[[14, 15, 16, 17],
[18, 19, 20, 21],
[22, 23, 24, 25]]])
x*a.shape: torch.Size([2, 3, 4])指定求和汇总张量的轴
# 按维度的列求和
a_sumaxis0=a.sum(axis=0)
print(a_sumaxis0)
# 按维度的行求和
a_sumaxis1=a.sum(axis=1)
print(a_sumaxis1)结果：
a原来的值: tensor([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11],
[12, 13, 14, 15],
[16, 17, 18, 19]])
tensor([40, 45, 50, 55]) # 按列求的和
tensor([ 6, 22, 38, 54, 70]) # 按行求的和一个与求和相关的量是平均值(mean或average),也可以指定按某个维度处理
print(a.sum())
# 满足条件的元素个数
print(a.numel())
# 求平均值，也等于a.mean()
print(a.sum()/a.numel())
# 按维度进行求平均值
print(a.mean(axis=0,dtype=torch.float32))
# 与上一个结果相等，方式不同
print(a.sum(axis=0)/ a.shape[0])
结果：
tensor(190)
20
tensor(9.5000)
tensor([ 8., 9., 10., 11.])
tensor([ 8., 9., 10., 11.])计算总和和均值时保持轴数不变
# 按行求和
sum_a=a.sum(axis=1,keepdims=True)
print(sum_a)
print(a)
# 通过广播将a/sum_a
print(a/sum_a)某个轴计算a元素的累积总和
print(a.cumsum(axis=0))结果：
tensor([[ 0, 1, 2, 3],
[ 4, 6, 8, 10],
[12, 15, 18, 21],
[24, 28, 32, 36],
[40, 45, 50, 55]])点积：只能支持两个一维向量，是相同位置的按元素乘积的和
y=torch.ones(4,dtype=torch.float32)
x=torch.arange(4,dtype=torch.float32)
print(y)
print(x)
# 点积也等价于torch.sum(x*y)
print(torch.dot(x,y))结果：
tensor([1., 1., 1., 1.])
tensor([0., 1., 2., 3.])
tensor(6.)矩阵向量乘法：只支持矩阵向量乘法，如果input为 n × m n\times m n×m的，vec向量的长度为m，那么输出为 n × 1的向量。
from numpy.core.multiarray import dtype
print(a)
print(a.shape)
x=torch.arange(4)
print(x)
print(x.shape)
# 矩阵向量乘法，
print(torch.mv(a,x))结果：
tensor([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11],
[12, 13, 14, 15],
[16, 17, 18, 19]])
torch.Size([5, 4])
tensor([0, 1, 2, 3])
torch.Size([4])
tensor([ 14, 38, 62, 86, 110])两个矩阵做乘法：对矩阵input 和mat2进行相乘。 如果input 是一个n×m张量，mat2 是一个 m×p张量，将会输出一个 n×p张量out。torch.mm()不支持广播机制
mat1=torch.arange(12).reshape(3,4)
mat2=torch.arange(12).reshape(4,3)
print(mat1)
print(mat2)
print(torch.mm(mat1,mat2))
结果：
tensor([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
tensor([[ 0, 1, 2],
[ 3, 4, 5],
[ 6, 7, 8],
[ 9, 10, 11]])
tensor([[ 42, 48, 54],
[114, 136, 158],
[186, 224, 262]])L2范数：是向量元素平方和的平方根。
u=torch.tensor([3.0,-4.0])
print(torch.norm(u))结果：
tensor(5.)L1范数：表示为向量元素的绝对值之和：
u=torch.tensor([3.0,-4.0])
print(torch.norm(u))结果：
tensor(7.)f范数矩阵：是矩阵元素的平方和的平方根。文章来源：https://www.toymoban.com/news/detail-688692.html
print(torch.norm(torch.ones(4,9)))
#结果为:tensor(6.)李沐老师的深度学习课学习笔记内容！希望对你有帮助文章来源地址https://www.toymoban.com/news/detail-688692.html
到了这里，关于深度学习基础知识（三）-线性代数的实现的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
