【PyTorch】PyTorch中张量(Tensor)计算操作-Toy模板网

这篇具有很好参考价值的文章主要介绍了【PyTorch】PyTorch中张量(Tensor)计算操作。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

PyTorch深度学习总结

第五章 PyTorch中张量(Tensor)计算操作

前言

上文介绍了PyTorch中张量(Tensor)的拆分和拼接操作，本文将介绍张量的计算操作。

一、张量比较大小

函数	描述
torch.allclose()	比较两个元素是否接近
torch.eq()	逐元素比较是否相等
torch.equal()	判断两个张量是否具有相同的形状和元素
torch.ge()	逐元素比较大于等于
torch.gt()	逐元素比较大于
torch.le()	逐元素比较小于等于
torch.lt()	逐元素比较小于
torch.ne()	逐元素比较不等于
torch.isnan()	判断是否为缺失值

1、torch.allclose()

函数用法：
torch.allclose(A, B, rtol=,atol=)
判断是否接近的公式如下：
$\leq atol+rtol\times|B|\,.$
# 引入库
import torch

# 创建张量A
A = torch.tensor([10.0, 10.0])

# 测试函数
print(torch.allclose(A, A, rtol=0.1, atol=0.01,equal_nan=False))
输出结果为：False

2、torch.eq()和torch.equal()

①函数用法：
torch.eq(A, B)
主要比较元素之间的关系，即两个对应元素是否相等。
# 测试函数
print(torch.eq(A, A))
输出结果为：tensor([True, True])

②函数用法：
torch.equal(A, B)
主要比较张量之间的关系，即两个张量形状和大小是否相等。
# 测试函数
print(torch.equal(A, A))
输出结果为：True

3、ge、gt、le、lt、ne函数

函数用法：
torch.ge(A, B)
主要用于逐元素比较，看是否大于等于( $\geq$ )。
注：以上几个函数除本身意义不同外，其他用法几乎相同；故本文只针对torch.ge()进行展示。
# 生成张量
B = torch.tensor([11.0, 9.0])

# 测试函数
print(torch.ge(A, B))
输出结果为：tensor([False, True])

4、torch.isnan()

函数用法：
torch.isnan(A)
判断张量A对应元素是否为缺失值。
print(torch.isnan(A))
print(torch.isnan(torch.tensor([0, 1, float("nan")])))
输出结果：
tensor([False, False])
tensor([False, False, True])

二、基本运算

1、四则运算(加减乘除)

生成试验数组:
# 引入库
import torch

# 生成张量
A = torch.arange(6).reshape(2,3)
B = torch.linspace(1, 6, steps=6).reshape(2,3) # 在1-6之间生成5个等步长的元素组成张量
print(A, B)
输出结果为：
tensor([[0, 1, 2], [3, 4, 5]])
tensor([[1., 2., 3.], [4., 5., 6.]])

加减乘除运算为：+、-、*、/
整除：//
幂运算为：torch.pow()或**

示例：
print(A+B)
print(A-B)
print(A*B)
print(A/B)
print(B//A)
print(A**2)
print(torch.pow(A, 2))
输出结果为：
tensor([[ 1., 3., 5.], [ 7., 9., 11.]])
tensor([[-1., -1., -1.], [-1., -1., -1.]])
tensor([[ 0., 2., 6.], [12., 20., 30.]])
tensor([[0.0000, 0.5000, 0.6667], [0.7500, 0.8000, 0.8333]])
tensor([[inf, 2., 1.], [1., 1., 1.]])
tensor([[ 0, 1, 4], [ 9, 16, 25]])
tensor([[ 0, 1, 4], [ 9, 16, 25]])文章来源地址https://www.toymoban.com/news/detail-828080.html

2、其他计算

函数	描述
torch.exp()	张量的指数函数
torch.log()	张量的对数函数
torch.sqrt()	张量的平方根
torch.clamp_max()	根据最大值裁剪
torch.clamp_min()	根据最小值裁剪
torch.clamp()	根据范围裁剪
torch.t()	计算矩阵的转置
torch.matmul()	计算矩阵的转置
torch.inverse()	计算矩阵的逆矩阵
torch.trace()	计算矩阵的迹