1. 加法運算

示例程式碼：

import torch
 
# 這兩個Tensor加減乘除會對b自動進行Broadcasting
a = torch.rand(3,4)
b = torch.rand(4)
 
c1 = a + b
c2 = torch.add(a,b)
print(c1.shape,c2.shape)
print(torch.all(torch.eq(c1,c2)))

輸出結果：

torch.Size([3,4]) torch.Size([3,4])
tensor(1,dtype=torch.uint8)

2. 減法運算

示例程式碼：

a = torch.rand(3,4)
b = torch.rand(4)
 
c1 = a - b
c2 = torch.sub(a,c2)))

輸出結果：

torch.Size([3,dtype=torch.uint8)

3. 哈達瑪積(element wise，對應元素相乘)

示例程式碼：

c1 = a * b
c2 = torch.mul(a,dtype=torch.uint8)

4. 除法運算

示例程式碼：

c1 = a / b
c2 = torch.div(a,dtype=torch.uint8)

5. 矩陣乘法

（1）二維矩陣相乘

二維矩陣乘法運算操作包括torch.mm()、torch.matmul()、@，

示例程式碼：

import torch
 
a = torch.ones(2,1)
b = torch.ones(1,2)
print(torch.mm(a,b).shape)
print(torch.matmul(a,b).shape)
print((a @ b).shape)

輸出結果：

torch.Size([2,2])
torch.Size([2,2])

（2）多維矩陣相乘

對於高維的Tensor（dim>2），定義其矩陣乘法僅在最後的兩個維度上，要求前面的維度必須保持一致，就像矩陣的索引一樣並且運算操只有torch.matmul()。

示例程式碼：

c = torch.rand(4,3,28,64)
d = torch.rand(4,64,32)
print(torch.matmul(c,d).shape)

輸出結果：

torch.Size([4,32])

注意，在這種情形下的矩陣相乘，前面的"矩陣索引維度"如果符合Broadcasting機制，也會自動做廣播，然後相乘。

示例程式碼：

c = torch.rand(4,1,d).shape)

輸出結果：

torch.Size([4,32])

6. 冪運算

示例程式碼：

import torch
 
a = torch.full([2,2],3)
 
b = a.pow(2) # 也可以a**2
print(b)

輸出結果：

tensor([[9.,9.],[9.,9.]])

7. 開方運算

示例程式碼：

c = b.sqrt() # 也可以a**(0.5)
print(c)
 
d = b.rsqrt() # 平方根的倒數
print(d)

輸出結果：

tensor([[3.,3.],[3.,3.]])
tensor([[0.3333,0.3333],[0.3333,0.3333]])

8.指數與對數運算

注意log是以自然對數為底數的，以2為底的用log2，以10為底的用log10

示例程式碼：

import torch
 
a = torch.exp(torch.ones(2,2)) # 得到2*2的全是e的Tensor
print(a)
print(torch.log(a)) # 取自然對數

輸出結果：

tensor([[2.7183,2.7183],[2.7183,2.7183]])
tensor([[1.,1.],[1.,1.]])

9.近似值運算

示例程式碼：

import torch
 
a = torch.tensor(3.14)
print(a.floor(),a.ceil(),a.trunc(),a.frac()) # 取下,取上,取整數,取小數
b = torch.tensor(3.49)
c = torch.tensor(3.5)
print(b.round(),c.round()) # 四捨五入

輸出結果：

tensor(3.) tensor(4.) tensor(3.) tensor(0.1400)
tensor(3.) tensor(4.)

10. 裁剪運算

即對Tensor中的元素進行範圍過濾，不符合條件的可以把它變換到範圍內部（邊界）上，常用於梯度裁剪（gradient clipping），即在發生梯度離散或者梯度爆炸時對梯度的處理，實際使用時可以檢視梯度的（L2範數）模來看看需不需要做處理：w.grad.norm(2)。

示例程式碼：

import torch
 
grad = torch.rand(2,3) * 15 # 0~15隨機生成
print(grad.max(),grad.min(),grad.median()) # 最大值最小值平均值
 
print(grad)
print(grad.clamp(10)) # 最小是10,小於10的都變成10
print(grad.clamp(3,10)) # 最小是3,小於3的都變成3;最大是10,大於10的都變成10

輸出結果：

tensor(14.7400) tensor(1.8522) tensor(10.5734)
tensor([[ 1.8522,14.7400,8.2445],[13.5520,10.5734,12.9756]])
tensor([[10.0000,10.0000],12.9756]])
tensor([[ 3.0000,10.0000,[10.0000,10.0000]])

以上這篇Pytorch Tensor基本數學運算詳解就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支援我們。