文章目录
- torch运算
- 基本运算
- 形状操作
- 自动调整size (参数-1)
- 数学运算
- 逻辑运算
- 常见的高级操作
- 随机数生成
torch运算
基本运算
-
创建张量:
import torch # 直接从列表或数组创建张量 x = torch.tensor([1, 2, 3])
创建特定值的张量:
# 全零张量 zeros = torch.zeros(3, 3) # 全一张量 ones = torch.ones(3, 3) # 单位张量（对角线为1，其余为0） eye = torch.eye(3) # 随机张量 rand = torch.rand(3, 3) # 从均值为0，标准差为1的正态分布中抽取的随机张量 randn = torch.randn(3, 3)
创建等差数列张量:
# 从0到10（不包括10）的等差数列，步长为2 arange = torch.arange(0, 10, 2)
创建特定间隔的数列张量:
# 从0到10均匀分布的5个数 linspace = torch.linspace(0, 10, 5)
-
加法和减法:
# 加法 z = x + y # torch.add(x, y) print(z) # 输出: tensor([5, 7, 9]) # 减法 z = x - y # torch.sub(x, y) print(z) # 输出: tensor([-3, -3, -3])
-
乘法和除法:
# 元素乘法 z = x * y # torch.mul(x, y) print(z) # 输出: tensor([ 4, 10, 18]) # 元素除法 z = x / y # torch.div(x, y) print(z) # 输出: tensor([0.2500, 0.4000, 0.5000])
-
矩阵乘法:
a = torch.tensor([[1, 2], [3, 4]]) b = torch.tensor([[5, 6], [7, 8]]) # 矩阵乘法 z = torch.matmul(a, b) # 或者 a @ b print(z) # 输出: tensor([[19, 22], [43, 50]])
形状操作
-
改变形状:view()
a = torch.tensor([[1, 2, 3], [4, 5, 6]]) # 改变形状 b = a.view(3, 2) print(b) # 输出: # tensor([[1, 2], # [3, 4], # [5, 6]])
自动调整size (参数-1)
view中一个参数指定为-1，代表自动调整这个维度上的元素个数，以保证元素的总数不变。
import torch x1 = torch.arange(0,16) print(x1) #a1: tensor([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15]) ------------------------------------------------------------------------------------------------------ x2 = x1.view(-1, 16) x3 = x1.view(-1, 8) x4 = x1.view(-1, 4) x5 = x1.view(-1, 2) print(x2) print(x3) print(x4) print(x5) x2: tensor([[ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15]]) x3: tensor([[ 0, 1, 2, 3, 4, 5, 6, 7], [ 8, 9, 10, 11, 12, 13, 14, 15]]) x4: tensor([[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11], [12, 13, 14, 15]]) x5: tensor([[ 0, 1], [ 2, 3], [ 4, 5], [ 6, 7], [ 8, 9], [10, 11], [12, 13], [14, 15]]) -
拼接:
x = torch.tensor([[1, 2], [3, 4]]) y = torch.tensor([[5, 6], [7, 8]]) # 沿着0轴拼接（垂直拼接） z = torch.cat((x, y), dim=0) print(z) # 输出: # tensor([[1, 2], # [3, 4], # [5, 6], # [7, 8]]) # 沿着1轴拼接（水平拼接） z = torch.cat((x, y), dim=1) print(z) # 输出: # tensor([[1, 2, 5, 6], # [3, 4, 7, 8]])
-
切片:
a = torch.tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) # 切片 b = a[:, 1] # 第二列 print(b) # 输出: tensor([2, 5, 8])
数学运算
-
求和:sum()
x = torch.tensor([1, 2, 3, 4]) # 求和 sum_x = torch.sum(x) print(sum_x) # 输出: tensor(10)
-
均值:mean()
# 均值 mean_x = torch.mean(x.float()) # 转换为浮点数类型 print(mean_x) # 输出: tensor(2.5000)
-
最大值和最小值:max(),min()
# 最大值 max_x = torch.max(x) print(max_x) # 输出: tensor(4) # 最小值 min_x = torch.min(x) print(min_x) # 输出: tensor(1)
逻辑运算
-
比较运算:
x = torch.tensor([1, 2, 3]) y = torch.tensor([2, 2, 2]) # 大于 print(x > y) # 输出: tensor([False, False, True]) # 小于 print(x < y) # 输出: tensor([ True, False, False])
-
逻辑与、或:
a = torch.tensor([True, False, True]) b = torch.tensor([False, False, True]) # 逻辑与 c = torch.logical_and(a, b) print(c) # 输出: tensor([False, False, True]) # 逻辑或 c = torch.logical_or(a, b) print(c) # 输出: tensor([ True, False, True])
常见的高级操作
-
广播机制:
a = torch.tensor([1, 2, 3]) b = torch.tensor([[1], [2], [3]]) # 广播机制 c = a + b print(c) # 输出: # tensor([[2, 3, 4], # [3, 4, 5], # [4, 5, 6]])
-
自动梯度计算:
x = torch.tensor([1.0, 2.0, 3.0], requires_grad=True) # 前向传播 y = x + 2 z = y * y * 2 out = z.mean() # 反向传播 out.backward() print(x.grad) # 输出: tensor([4.6667, 6.0000, 7.3333])
随机数生成
-
从标准正态分布中生成随机张量:
randn_tensor = torch.randn(3, 3) # 生成一个形状为 (3, 3) 的随机张量，服从标准正态分布 print(randn_tensor) #tensor([[ 1.2335, -0.3941, 0.8990], # [ 0.0470, -1.2671, 0.3248], # [-0.4062, -0.6862, 0.1314]])
-
生成随机排列:
randperm_tensor = torch.randperm(10) # 生成一个从 0 到 9 的随机排列 print(randperm_tensor) #tensor([2, 0, 5, 1, 8, 6, 3, 4, 7, 9])
-
生成等差数列张量:
arange_tensor = torch.arange(0, 10, 2) # 生成从 0 到 10（不包括 10）的等差数列，步长为 2 print(arange_tensor) #tensor([0, 2, 4, 6, 8])
-
![[工业自动化-1]：PLC架构与工作原理](https://img-blog.csdnimg.cn/ce10a1471ed14382bc58364cf8bd5209.png)
发表评论