微博：https://weibo.com/wangxiaocaoai/profile?rightmod=1&wvr=6&mod=personinfo
微信公眾號：搜尋"AI躁動街"

---

本節要點：

1 逐點計算操作

2 縮減操作

3 比較操作

4 其他操作

5 線性代數操作

1 逐點計算操作

# 匯入包
import torch

# 1.計算絕對值
a = torch.FloatTensor([-1, -10])
a_abs = torch.abs(a)
print(a_abs)

tensor([  1.,  10.])

# 2.計算餘弦
 

a = torch.randn(4)
a_cos = torch.cos(a)
print(a_cos)

tensor([ 0.3623,  0.0784,  0.9808,  0.8221])

# 3.計算雙曲餘弦
a = torch.randn(4)
a_cosh = torch.cosh(a)
print(a_cosh)

tensor([ 2.2139,  1.0241,  1.0118,  1.2354])

# 4.計算反餘弦
a = torch.randn(4)
a_acos = torch.acos(a)
print(a_acos)

tensor([ 2.1772,  0.9836,  2.2749,  0.5994])
 

# 5.計算正弦
a = torch.randn(4)
a_sinh = torch.sinh(a)
print(a_sinh)

tensor([-0.9122,  0.2392,  1.2656,  0.4663])

# 6.計算雙曲正弦
a = torch.randn(4)
a_sin = torch.sin(a)
print(a_sin)

# 7.計算反正弦
a = torch.randn(4)
a_asin = torch.asin(a)
print(a_asin)

tensor([-0.9362,     nan, -1.1308,  0.0407])

# 8.計算正切
 

a = torch.randn(4)
tan = torch.tan(a)
print(tan)

tensor([  0.0061,  -0.9945, -17.3586,  -0.3077])

# 9.計算雙曲正切
a = torch.randn(4)
tanh = torch.tanh(a)
print(tanh)

tensor([ 0.9856, -0.8689, -0.6669,  0.4711])

# 10.計算一個張量的反正切
a = torch.randn(4)
atan = torch.atan(a)
print(atan)

tensor([ 0.3666,  1.0404, -0.5340,  0.0825])

# 11.計算兩個張量的反正切
a = torch.randn(4)
b = torch.randn(4)
atan2 = torch.atan2(a, b)
print(atan2)

tensor([ 0.7203, -0.7093, -2.4139, -0.9148])

# 12.加法
# 直接加法 a+b
a = torch.randn(4)
b = 20
add = torch.add(a, b)
print(add)

# a + c * b
c = torch.rand(4)
add2 = torch.add(a, b, c)
print(add2)

tensor([ 20.6347,  19.7540,  21.7134,  20.2289])
tensor([ 15.7686,   8.5032,   4.6279,   5.1963])

# 13.先除後加：t + 0.5*(t1 / t2)
t = torch.randn(2, 3)
t1 = torch.randn(2, 3)
t2 = torch.randn(2, 3)
addcdiv = torch.addcdiv(t, 0.5, t1, t2)
print(addcdiv)  

tensor([[-0.9947, -1.5404, -0.5799],
        [-1.5395,  3.4531,  1.6741]])

# 14.先乘後加：t + 0.5*(t1 * t2)
addcmul = torch.addcmul(t, 0.5, t1, t2)
print(addcmul)

tensor([[-0.9904, -1.3817, -0.3505],
        [-1.2655,  3.0514,  1.3952]])

# 15.乘法計算
# 張量與標量相乘
a = torch.randn(2, 3)
a_mul = torch.mul(a, 5)
print('a:', a)
print('a_mul:', a_mul)

# 張量與張量相乘,對應位置的元素相乘
b = torch.randn(2, 3)
a_b_mul = torch.mul(a, b)
print('b:', b)
print('a_b_mul:', a_b_mul)

a: tensor([[ 0.0863,  1.7408,  0.8538],
        [ 0.8702,  0.1472,  0.2192]])
a_mul: tensor([[ 0.4315,  8.7038,  4.2688],
        [ 4.3508,  0.7359,  1.0962]])
b: tensor([[ 0.5903, -0.6919, -0.4070],
        [-0.3127,  0.1756,  0.9016]])
a_b_mul: tensor([[ 0.0510, -1.2044, -0.3474],
        [-0.2721,  0.0258,  0.1977]])

# 16.除法計算
# 張量除標量 
a = torch.randn(1,4)
a_div = torch.div(a, 2)  # a / 2
print(a_div)

tensor([[ 0.4224,  0.7171, -0.4719, -0.1562]])

# 17.張量除張量
a = torch.randn(1, 4)
b = torch.randn(1, 4)
div = torch.div(a, b)
print(div)

tensor([[ 2.2698,  0.7206,  1.0432,  0.2880]])

# 18.計算除法餘數
a = torch.tensor([-1, 2, 3, 4])
a_fmod = torch.fmod(a, 2) # a%2
print(a_fmod)

tensor([-1,  0,  1,  0])

# 19.計算除法餘數，餘數與除數有相同的符號。
a = torch.tensor([-1, 2, 3, 4])
a_re = torch.remainder(a, 2) # a%2
print(a_re)

tensor([ 1,  0,  1,  0])

# 20.指數計算
a = torch.randn(1, 4)
a_exp = torch.exp(a)
print(a_exp)

tensor([[ 0.1983,  3.7585,  1.6955,  3.2236]])

# 21.自然對數計算
a = torch.randn(1, 4)
a_log = torch.log(a)
print(a_log)

tensor([[-0.7030,     nan,     nan, -5.1565]])

# 22.冪值計算
# 冪值為標量時
a = torch.Tensor([1, 2, 3, 4])
a_pow = torch.pow(a, 3)
print(a)
print(a_pow)

# 冪值為張量時
exp = torch.Tensor([1, 2, 3, 4])
a_pow = torch.pow(a, exp)
print(a_pow)

tensor([ 1.,  2.,  3.,  4.])
tensor([  1.,   8.,  27.,  64.])
tensor([   1.,    4.,   27.,  256.])

# 23.計算平方根的
a = torch.Tensor([1, 2, 3, 4])
a_sqrt = torch.sqrt(a)
print(a_sqrt)

tensor([ 1.0000,  1.4142,  1.7321,  2.0000])

# 24.計算平方根的倒數
a = torch.Tensor([1, 2, 3, 4])
a_rsqrt = torch.rsqrt(a)
print(a_rsqrt)

tensor([ 1.0000,  0.7071,  0.5774,  0.5000])

# 25.計算sigmoid
a = torch.randn(2, 2)
a_sig = torch.sigmoid(a)
print(a_sig)

tensor([[ 0.1865,  0.6050],
        [ 0.4330,  0.6606]])

# 26.向上取整
a = torch.randn(2, 2)
a_ceil = torch.ceil(a)
print(a_ceil)

tensor([[-1., -0.],
        [-0.,  1.]])

# 27.向下取整
a = torch.randn(2, 2)
a_floor = torch.floor(a)
print(a_floor)

tensor([[ 1., -1.],
        [ 0., -2.]])

# 28.四捨五入到整數
a = torch.tensor([-1.5, 2.1, 3.9, 4.5])
a_round = torch.round(a) # a%2
print(a_round)

tensor([-2.,  2.,  4.,  4.])

# 29.計算截斷值,即去掉小數部分的整數
a = torch.tensor([-1.5, 2.1, 3.9, 4.5])
a_trunc = torch.trunc(a) # a%2
print(a_trunc)

tensor([-1.,  2.,  3.,  4.])

# 30.返回分數
a = torch.Tensor([1, 1.5, 1.6, 2.9])
a_frac = torch.frac(a)
print(a_frac)

tensor([ 0.0000,  0.5000,  0.6000,  0.9000])

# 31.取負
a = torch.randn(1, 4)
a_neg = torch.neg(a)
print(a)
print(a_neg)

tensor([[-0.0075, -1.8761,  0.6364,  0.8317]])
tensor([[ 0.0075,  1.8761, -0.6364, -0.8317]])

# 32.取倒數
a = torch.Tensor([1, 2, 3, 4])
a_r  =torch.reciprocal(a)
print(a_r)

tensor([ 1.0000,  0.5000,  0.3333,  0.2500])

# 33.取正負號
a = torch.randn(4)
a_sign = torch.sign(a)
print(a)
print(a_sign)

tensor([ 1.1125, -1.9569,  1.8638,  0.3364])
tensor([ 1., -1.,  1.,  1.])

# 34.夾緊到某個區間
#        min, if x_i < min
# y_i =  x_i, if min <= x_i <= max
#        max, if x_i > max
    
a = torch.randn(1, 4)
print(a)
a_clamp = torch.clamp(a, min=-0.7, max = 0.7)
print(a_clamp)

tensor([[-1.6682, -0.3986, -0.6452, -0.4119]])
tensor([[-0.7000, -0.3986, -0.6452, -0.4119]])

# 也可以只限定min或者max
a_clamp = torch.clamp(a, max = 0.7)
print(a_clamp)

a_clamp = torch.clamp(a, min=-0.7)
print(a_clamp)

tensor([[-1.6682, -0.3986, -0.6452, -0.4119]])
tensor([[-0.7000, -0.3986, -0.6452, -0.4119]])

# 35.對張量做線性插值
start = torch.arange(1, 5)
end = torch.Tensor(4).fill_(2)
a = torch.lerp(start, end, 0.5)
print(start)
print(end)
print(a)

tensor([ 1.,  2.,  3.,  4.])
tensor([ 2.,  2.,  2.,  2.])
tensor([ 1.5000,  2.0000,  2.5000,  3.0000])

2 縮減操作

import torch 

# 1.沿指定維度的累積積
a = torch.randn(10)
print('a:', a)

a_cumprod = torch.cumprod(a, 0)
print(a_cumprod)  # 注意維度沒有變，只是累加了

a: tensor([ 2.4314, -0.3712, -1.3956, -0.7340,  0.6754,  0.9834, -0.3069,
         0.8109, -0.4161, -1.4032])
tensor([ 2.4314, -0.9026,  1.2596, -0.9246, -0.6244, -0.6141,  0.1885,
         0.1528, -0.0636,  0.0892])

# 2.沿指定維度的累積積
a = torch.randn(10)
print('a:', a)

a_cumsum = torch.cumsum(a, 0)
print(a_cumsum)  # 注意維度沒有變，只是累加了

a: tensor([-0.0111,  0.3256, -0.4843, -0.5490,  0.7626,  0.6011, -0.8144,
        -0.4629,  0.4934, -0.6671])
tensor([-0.0111,  0.3145, -0.1698, -0.7188,  0.0438,  0.6449, -0.1694,
        -0.6323, -0.1389, -0.8060])

# 3.返回 (input - other) 的 p範數 。
a = torch.randn(3)
b = torch.randn(3)
a_dist = torch.dist(a, b, 3)
print(a_dist)

tensor(3.2886)

# 4.返回輸入張量input 的p 範數。
a = torch.randn(4, 5)
a_n = torch.norm(a, 2)
print(a_n)

# 可指定維度
a_n = torch.norm(a, 2, 1)
print(a_n)

tensor(4.2416)
tensor([ 2.5676,  1.8141,  1.5184,  2.4087])

# 5.返回輸入張量所有元素的均值。
a = torch.randn(3)
a_m = torch.mean(a)
print(a_m)

# 多維
a = torch.randn(3,3)
a_m = torch.mean(a)
print(a_m)

# 指定維度
a = torch.randn(2,3)
a_m = torch.mean(a, 1)
print(a_m)

tensor(-0.1776)
tensor(1.00000e-02 *
       4.2739)
tensor([-0.9272,  0.3165])

# 6.返回輸入張量給定維度每行的中位數，同時返回一個包含中位數的索引的LongTensor。
a = torch.randn(3)
a_m = torch.median(a)
print(a_m)

# 多維
a = torch.randn(2, 3)
a_m = torch.median(a)
print(a_m)

# 指定維度
a = torch.randn(2, 3)
a_m = torch.median(a, 1)
print(a_m)

tensor(1.00000e-02 *
       -4.8281)
tensor(0.1583)
(tensor([ 0.4999, -0.3078]), tensor([ 2,  0]))

# 7.返回輸入張量input 所有元素的積。
a = torch.randn(3)
a_p = torch.prod(a)
print(a_p)

# 多維
a = torch.randn(2, 3)
a_p = torch.prod(a)
print(a_p)

# 指定維度
a = torch.randn(2, 3)
a_m = torch.prod(a, 1)
print(a_p)

tensor(0.5736)
tensor(1.00000e-03 *
       3.2077)
tensor(1.00000e-03 *
       3.2077)

# 8.返回輸入張量input 所有元素的標準差，套路和上面都一樣,可一維，可多維，可指定維度
a = torch.randn(2, 3)
a_s = torch.std(a)
print(a_s)

tensor(0.7310)

# 9.返回輸入張量input 所有元素的方差，套路和上面都一樣,可一維，可多維，可指定維度
a = torch.randn(2, 3)
a_var = torch.var(a)
print(a_var)

tensor(1.7634)

# 10.返回輸入張量input 所有元素的和，套路和上面都一樣,可一維，可多維，可指定維度
a = torch.randn(2, 3)
a_s = torch.sum(a)
print(a_s)

tensor(-1.3865)

# 11.返回給定維dim上，每行的眾數值。 同時返回一個LongTensor，包含眾數職的索引。dim值預設為輸入張量的最後一維。
a = torch.randn(4, 5)
a_m = torch.mode(a)
print(a_m)

a = torch.randn(4, 5)
a_m = torch.mode(a, 0)
print(a_m)

(tensor([ 0.0055,  0.1009, -0.7734, -1.3452]), tensor([ 2,  2,  2,  0]))
(tensor([-0.0192, -0.9864, -1.0947, -0.8963, -0.4842]), tensor([ 2,  0,  3,  2,  3]))

3 比較操作

import torch

# 比較兩個張量是否相等
a = torch.Tensor([[1,2],[3,4]])
b = torch.Tensor([[1,2], [5,6]])
eq = torch.eq(a, b)
print(eq) # 若相同則對應位置輸出1

tensor([[ 1,  1],
        [ 0,  0]], dtype=torch.uint8)

# 比較前者張量是否大於等於後者
a = torch.Tensor([[1,2],[3,4]])
b = torch.Tensor([[1,2], [5,6]])
ge = torch.ge(a, b)
print(ge)

tensor([[ 1,  1],
        [ 0,  0]], dtype=torch.uint8)

# 比較前者張量是否大於後者
a = torch.Tensor([[1,2],[3,4]])
b = torch.Tensor([[1,2], [5,6]])
gt = torch.gt(a, b)
print(gt)

tensor([[ 0,  0],
        [ 0,  0]], dtype=torch.uint8)

# 比較前者張量是否小於等於後者
a = torch.Tensor([[1,2],[3,4]])
b = torch.Tensor([[1,2], [5,6]])
le = torch.le(a, b)
print(le)

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

# 比較前者張量是否小於等於後者
a = torch.Tensor([[1,2],[3,4]])
b = torch.Tensor([[1,2], [5,6]])
lt = torch.lt(a, b)
print(lt)

tensor([[ 0,  0],
        [ 1,  1]], dtype=torch.uint8)

# 取輸入張量input指定維上第k 個最小值。如果不指定dim，則預設為input的最後一維。
a = torch.arange(1, 6)
a_kth = torch.kthvalue(a, 3)
print(a_kth)

(tensor(3.), tensor(2))

# 沿給定dim維度返回輸入張量input中 k 個最大值。 如果不指定dim，
# 則預設為input的最後一維
# 如果為largest為 False ，則返回最小的 k 個值。
a = torch.randn(6, 6)
a_kth = torch.topk(a, 3)
print(a_kth)

a_kth = torch.topk(a, k=3, dim=0, largest=False) 
 

            
  
           

              
              
            
            
相關推薦
			   
            
            
            
 

    

    
    
Pytorch第二課：package-torch（2） 之數學操作
     
  
 
  
  
 微博：https://weibo.com/wangxiaocaoai/profile?rightmod=1&wvr=6&mod=personinfo 微信公眾號：搜尋"AI躁動街" 
  
 本節要點： 
 1 逐點計算操作 
 2 縮減操作 
 3 比較操作 
 4 其 

  
 

    

    
    
Pytorch第一課：package-torch（1）之張量初識
     
  
 
  
  
 微博：https://weibo.com/wangxiaocaoai/profile?rightmod=1&wvr=6&mod=personinfo 微信公眾號：搜尋"AI躁動街" 
  
 本節要點： 
 1 張量 
 2 建立張量的方式 
 3 張量的索引,切片,連線 

  
 

    

    
    
輸入m個學生，每個學生有4門課，在主調函式中輸入學生的相關資訊，編寫三個函式： （1）求第一門課的平均分； （2）找出有兩門課以上不及格的學生，並輸出他們的學號和全部成績，要求用指標函式實現：fl
     
 
                
  輸入m個學生，每個學生有4門課，在主調函式中輸入學生的相關資訊，編寫三個函式：
（1）求第一門課的平均分；
（2）找出有兩門課以上不及格的學生，並輸出他們的學號和全部成績，要求用指標函式實現：float*Search(float(*p)[4],int n)；
（3）找出 

  
 

    

    
    
TensorFlow 入門 第一課--基本函式學習（2）：tf.nn.conv2d 、tf.contrib.layers.flatten、tf.nn.max_pool 詳解
     
 
								
								            
						
                Tensorflow 提供了一些內建的API實現了CNN網路結構中的卷積，池化，全連線網路等運算操作。tf.nn.conv2d(input,filter, strides, padding, data_ 

  
 

    

    
    
Linux基礎系列：常用命令（2）
     
 用戶和組   查看   --   tdi   作業二   其他   配置文件   解鎖   gid    

 1 作業一：
 2 1)    新建用戶natasha，uid為1000，gid為555，備註信息為“master”
 3 groupadd -g 555 natasha
 4 useradd -u 

  
 

    

    
    
第2課 類型推導（2）_decltype關鍵字
     
 bar   using   獲取   臨時   pub   通過   lsp   amp   判斷   1. decltype關鍵字
（1）auto所修飾的變量必須被初始化，編譯器才能通過初始化來確定auto所代表的類型，即必須先定義變量。
（2）decltype可以在編譯期推導出一個變量或表達式的結果類型（ 

  
 

    

    
    
第7課 列表初始化（2）_分析initializer_list<T>的實現
     
 定義   找到   code   元素   arr   except   等價   地址   -a   1. 初始化列表的實現
（1）當編譯器看到{t1,t2…tn}時便會生成一個initializer_list<T>對象（其中的T為元素的類型），它關聯到一個array<T,n>。
（ 

  
 

    

    
    
第15課 右值引用（2）_std::move和移動語義
     
 可見   div   強制轉換   let   技術分享   移動語義   ptr   align   講解   1. std::move
（1）std::move的原型

template<typename T>
typename remove_reference<T>::type& 

  
 

    

    
    
大數據入門第二十四天——SparkStreaming（2）與flume、kafka整合
     
 RM   ESS   依賴   mep   sock   flume-ng   bject   整合   master   前一篇中數據源采用的是從一個socket中拿數據，有點屬於“旁門左道”，正經的是從kafka等消息隊列中拿數據！
主要支持的source，由官網得知如下：

 

  
 

    

    
    
C#：執行緒（2）：建立執行緒
     
  
 
 一：建立新執行緒 
 在C#裡，執行緒是一種已經定義好的類，其被定義在System.Threading名稱空間內，因此建立新執行緒和我們例項化物件並沒有本質的差別。在這裡，用一個最簡單的例子說明如何建立新執行緒。 
 （一）：建立新的控制檯程式，在控制檯程式的主函式下面，寫一個希望在新執行緒中呼叫的 

  
 

    

    
    
C#：撲克牌遊戲（2）：給CardLib新增Cards集合
     
  
 
 （一）：背景 
         在上一篇文章中，我們簡單建立了幾個可能在後面會用到的類並且放到了一個類庫中，接下來需要對這幾個類進行進一步的思考。首先一個問題是，我們原先在Deck類中，使用了一個數組來代表一副牌，但是我們知道，在一個撲克牌遊戲中，（例如鬥地 

  
 

    

    
    
Tensorflow之MNIST手寫數字識別：分類問題（2）
     
 整體程式碼： 
 
 #資料讀取
import tensorflow as tf
import matplotlib.pyplot as plt
import numpy as np
from tensorflow.examples.tutorials.mnist import input_data
mnis 

  
 

    

    
    
《零基礎入門學習Python》（43）魔法方法：算術運算（2）
     
  
 
 前言： 
 上節課我們介紹了很多關於計算的魔法方法，當你的物件進行了相關的算術操作的時候，自然而然就會觸發相應的魔法方法，一旦你重寫了這些魔法方法，那麼Python就會根據你的意圖進行計算。 
 通過對相關的魔法方法進行重寫，可以讓Python根據你的意圖執行程式。 
 這裡我們就讓加變成減 
 & 

  
 

    

    
    
（二）網路程式設計：聊天室（2）
     
  
 
 第五步：既然是聊天室，那麼僅僅只能一個使用者自己和自己聊天，顯然該該程式是有瑕疵的。那麼我們就需要支援多使用者同時線上聊天。這一步中，我們就需要用到多執行緒的概念。為什麼要用到多執行緒？執行緒可以通俗的理解為每有一個新運動員便多建造一條跑道，以便所有運動員可以經歷同樣的從頭到尾的全部過程。那如果放到 

  
 

    

    
    
matlab第八課：影象分析（下）
     
  
 
 目標： 
 
  影象閾值 
  背景評估 
  聯通區域標記 
 
 一、影象閾值 
 
  graythresh()：找出一個影象的最佳閾值是什麼 
  im2bw()：轉變影象為二值影象 
 
 I = imread('rice.png'); 
level=graythresh(I); % 獲 

  
 

    

    
    
MATLAB第七課：影象分析（上）
     
  
 
 目的： 
 一、介紹數字影象  
 
  介紹數字影象 
  讀取和展示數字影象 
  影象的四則運算 
 
 數字影象的分類： 
 
  Binary：每個畫素只有黑色和白色 
  Grayscale：每個畫素是灰色，範圍是0到255 
  True color or RGB：每個畫素有 

  
 

    

    
    
Matlab第六課：圖形介面（GUI）程式設計
     
  
 
 目標： 
 
  Graphical User Interface 
 
 一、MATLAB GUI Programs 
 開始完成一個GUI程式： 
 1.建立一個資料夾，儲存程式 
 2.使用 guide 命令在命令列建立一個matlab GUI 介面 
  
 3.可以拖動元件，建立GUI 
 

  
 

    

    
    
“全棧2019”Java第二章：安裝JDK11（Windows）
     
  
  
  
 難度 
 初級 
 學習時間 
 10分鐘 
 適合人群 
 零基礎 
 開發語言 
 Java 
 開發環境 
  
  JDK v11 
  
 文章原文連結 
 “全棧2019”Java第二章：安裝JDK11（Windows） 
 下一章 
 “全棧2019”Java第三章：安裝開發工 

  
 

    

    
    
在eclipse上部署springcloud小例子--第二篇：服務消費者（feign）
     
  
 
 上一篇文章，講述瞭如何通過RestTemplate+Ribbon去消費服務，這篇文章主要講述如何通過Feign去消費服務。 
 一、Feign簡介 
 Feign是一個宣告式的偽Http客戶端，它使得寫Http客戶端變得更簡單。使用Feign，只需要建立一個介面並註解。它具有可插拔的註解特性，可使用 

  
 

    

    
    
Esper學習筆記四：EPL語法（2）
     
  
 
  
 1.select 
  
 查詢所有屬性或特定屬性 
 EPL的select和SQL的select很相近，SQL用*表示查詢表的所有欄位，而EPL用*表示查詢事件流的所有屬性值。SQL查詢某個欄位名，直接在select後跟欄位名就ok，EPL也是將要查詢的屬性名放在select之後。若查多個屬