- 一、逐元素操作
- 1、 torch.addcdiv(t, v, t1, t2)
- 2、torch.addcmul(t, v, t1, t2)
- 3、torch.clamp(input, min, max)
- 4、torch.ceil(input) 、torch.floor(input)
- 二、归并操作
- 1、torch.cumprod(t, axis)
- 2、torch.cumsum(t, axis)
- 三、比较操作
- 1、torch.eq(a, b) 元素是否相等
- 2、torch.equal(a, b) tensor是否完全相等
- 3、torch.ge 、torch.le 、torch.gt、torch.lt 大于等于/小于等于/大于/小于
- 4、torch.max、torch.min 最大值、最小值
- 5、torch.topk 指定维度上最高的k个值
- 四、矩阵操作
- 1、torch.dot(a, b) 点积
- 2、torch.mm(a, b) 矩阵乘法
- 3、torch.mul(a, b)、 a * b 逐元素相乘
- 4、torch.mv(a, b) 矩阵与向量乘法
- 5、tensor.T 转置
- 6、 torch.svd(a) 矩阵的SVD分解
t1 与 t2 按元素除后，乘v 加t
import torch t = torch.randn(1, 3) t1 = torch.randn(3, 1) t2 = torch.randn(1, 3) a = t + 0.1 *(t1 / t2) print(a) # tensor([[-0.2492, -0.6960, 2.3492], # [-0.1057, -0.3203, 2.2584], # [-0.0774, -0.2463, 2.2405]]) b = torch.addcdiv(t, 0.1, t1, t2) print(b) # tensor([[-0.2492, -0.6960, 2.3492], # [-0.1057, -0.3203, 2.2584], # [-0.0774, -0.2463, 2.2405]])
2、torch.addcmul(t, v, t1, t2)
t1 与 t2 按元素乘后，乘v 加t
import torch t = torch.randn(1, 3) t1 = torch.randn(3, 1) t2 = torch.randn(1, 3) a = t + 0.1 * t1 * t2 print(a) # tensor([[-0.4994, 1.4826, -0.3377], # [-0.4893, 1.4880, -0.3338], # [-0.5957, 1.4314, -0.3756]]) b = torch.addcmul(t, 0.1, t1, t2) print(b) # tensor([[-0.4994, 1.4826, -0.3377], # [-0.4893, 1.4880, -0.3338], # [-0.5957, 1.4314, -0.3756]])
3、torch.clamp(input, min, max)
将张量元素大小限制在指定区间范围内
import torch x = torch.arange(1, 8) y = torch.clamp(x, 2, 5) print(y) # tensor([2, 2, 3, 4, 5, 5, 5])
4、torch.ceil(input) 、torch.floor(input)
torch.ceil(input) ：向上取整
torch.floor(input) ：向下取整
import torch torch.manual_seed(8) x = torch.randn(3) * 10 y = torch.ceil(x) z = torch.floor(x) print(x) print(y) print(z)
二、归并操作
1、torch.cumprod(t, axis)
在指定维度对 t 进行累积 （cumprod：cumulative product）
import torch
a = torch.arange(1, 10).reshape(3, 3)
print(a)
b_x = torch.cumprod(a, dim=0) # 沿着y轴累积
print("ncumulative product:n", b_x)
b_y = torch.cumprod(a, dim=1) # 沿着x轴累积
print("ncumulative product:n", b_y)
# tensor([[1, 2, 3],
# [4, 5, 6],
# [7, 8, 9]])
#
# cumulative product:
# tensor([[ 1, 2, 3],
# [ 4, 10, 18],
# [ 28, 80, 162]])
#
# cumulative product:
# tensor([[ 1, 2, 6],
# [ 4, 20, 120],
# [ 7, 56, 504]])
2、torch.cumsum(t, axis)
import torch a = torch.linspace(0, 10, 6).view(2, 3) b = a.sum(dim=0) c = torch.cumsum(a, dim=0) print(a) print(b) print(c) # tensor([[ 0., 2., 4.], # [ 6., 8., 10.]]) # # tensor([ 6., 10., 14.]) # # tensor([[ 0., 2., 4.], # [ 6., 10., 14.]]) d = a.sum(dim=1) e = torch.cumsum(a, dim=1) print(d) print(e) # tensor([ 6., 24.]) # # tensor([[ 0., 2., 6.], # [ 6., 14., 24.]])
三、比较操作
比较操作一般是进行逐元素比较，有些是按指定方向比较
a = torch.tensor([[1, 2, 3]]) b = torch.tensor([[1, 2, 4]]) print(a.eq(b)) # tensor([[ True, True, False]]) print(torch.eq(a, b)) # tensor([[ True, True, False]])2、torch.equal(a, b) tensor是否完全相等
比较两个张量的形状和各个元素是否都相等
a = torch.tensor([[1, 2, 3]]) b = torch.tensor([[1, 2, 4]]) print(a.equal(b)) # False print(torch.equal(a, b)) # False c = torch.tensor([[1, 2, 3]]) d = torch.tensor([[1, 2, 3]]) print(c.equal(d)) # True print(torch.equal(c, d)) # True3、torch.ge 、torch.le 、torch.gt、torch.lt 大于等于/小于等于/大于/小于
a = torch.tensor([[1, 2, 5]]) b = torch.tensor([[1, 3, 3]]) # 大于等于 print(a.ge(b)) # tensor([[ True, False, True]]) print(torch.ge(a, b)) # tensor([[ True, False, True]]) # 小于等于 print(a.le(b)) # tensor([[ True, True, False]]) print(torch.le(a, b)) # tensor([[ True, True, False]]) # 大于 print(a.gt(b)) # tensor([[False, False, True]]) print(torch.gt(a, b)) # tensor([[False, False, True]]) # 小于 print(a.lt(b)) # tensor([[False, True, False]]) print(torch.lt(a, b)) # tensor([[False, True, False]])4、torch.max、torch.min 最大值、最小值
若指定axis， 则额外返回索引下标
a = torch.tensor([[1, 8, 3],
[2, 5, 3]])
print(a.max()) # tensor(8)
print(torch.min(a)) # tensor(1)
print(a.max(0))
# torch.return_types.max(
# values=tensor([2, 8, 3]),
# indices=tensor([1, 0, 0]))
print(torch.min(a, 0))
# torch.return_types.min(
# values=tensor([1, 5, 3]),
# indices=tensor([0, 1, 0]))
5、torch.topk 指定维度上最高的k个值
a = torch.tensor([[1, 8, 3],
[2, 5, 3]])
# 维度 1 上的最大的 2 个值
print(a.topk(2, 1))
# torch.return_types.topk(
# values=tensor([[8, 3],
# [5, 3]]),
# indices=tensor([[1, 2],
# [1, 2]]))
四、矩阵操作 1、torch.dot(a, b) 点积
a = torch.tensor([2, 3]) b = torch.tensor([3, 4]) print(torch.dot(a, b)) # tensor(18)
Torch的 dot 只能对两个为1D 的张量进行点积运算，否则会报错；Numpy中的dot无此限制。
a = torch.tensor([[2, 3],
[3, 4]])
b = torch.tensor([[3, 4],
[1, 2]])
print(torch.dot(a, b))
2、torch.mm(a, b) 矩阵乘法
3、torch.mul(a, b)、 a * b 逐元素相乘
a = torch.tensor([[2, 3],
[3, 4]])
b = torch.tensor([[3, 4],
[1, 2]])
print(torch.mm(a, b))
# tensor([[ 9, 14],
# [13, 20]])
print(torch.mul(a, b))
# tensor([[ 6, 12],
# [ 3, 8]])
print(a * b)
# tensor([[ 6, 12],
# [ 3, 8]])
4、torch.mv(a, b) 矩阵与向量乘法
torch.mv(a, b), 矩阵a为第一个参数，向量b为第二个参数，位置不能换，否则会报错
a = torch.tensor([[1, 2, 3],
[2, 3, 4]])
b = torch.tensor([1, 2, 3])
print(torch.mv(a, b))
# tensor([14, 20])
5、tensor.T 转置
a = torch.randint(10, (2, 3)) print(a) # tensor([[6, 9, 6], # [0, 4, 8]]) print(a.T) # tensor([[6, 0], # [9, 4], # [6, 8]])6、 torch.svd(a) 矩阵的SVD分解
a = torch.randn(2, 3) print(torch.svd(a)) # torch.return_types.svd( # U=tensor([[-0.5960, 0.8030], # [-0.8030, -0.5960]]), # S=tensor([3.3907, 1.0873]), # V=tensor([[ 0.2531, 0.8347], # [-0.7722, 0.4789], # [-0.5828, -0.2721]]))
