""" 标量由只有一个元素的张量表示 """ import torch x=torch.tensor([3.0]) y=torch.tensor([2.0]) print(x+y) print(x*y) print(x/y) print(x**y) """ 你可以将向量视为标量值组成的列表 """ x=torch.arange(4) print(x) """ 通过张量的索引来访问任一元素 """ print(x[3]) """ 访问张量的长度 """ print(len(x)) """ 只有一个轴的张量，形状只有一个元素 """ print(x.shape)
""" 通过指定的两个分量m和n来创建一个形状为mxn的矩阵 """ A=torch.arange(20).reshape(5,4) print(A) """ 矩阵的转置 """ print(A.T) """ 对称矩阵A等于其转置矩阵 """ B=torch.tensor([[1,2,3],[2,0,4],[3,4,5]]) print(B) print(B==B.T)
""" 就像向量是标量的推广，矩阵是向量的推广一样，我们可以构建具有更多轴的数据结构 """ X=torch.arange(24).reshape(2,3,4) print(X) """ 给定任何相同形状的任何两个张量，任何按元素二元运算的结果都将是相同形状的张量 """ A=torch.arange(20,dtype=torch.float32).reshape(5,4) B=A.clone() #通过分配新内存，将A的一个副本分配给B print(A) print(A+B)
""" 两个矩阵的按元素乘法称为 哈达玛积 """ print(A*B) a=2 X=torch.arange(24).reshape(2,3,4) print(a+X) print((a*X).shape) """ 计算其元素的和 """ x=torch.arange(4,dtype=torch.float32) print(x) print(x.sum()) """ 表示任意形状张量的元素和 """ A=torch.arange(20*2).reshape(2,5,4) print(A.shape) print(A.sum()) """ 指定求和汇总张量的轴 """ A_sum_axis0=A.sum(axis=0) print(A_sum_axis0) print(A_sum_axis0.shape) A_sum_axis1=A.sum(axis=1) print(A_sum_axis1) print(A_sum_axis1.shape) print(A.sum(axis=[0,1]).shape)
""" 计算总和或均值时保持不变 """ sum_A=A.sum(axis=1,keepdims=True) print(sum_A) """ 通过广播将A除以sum_A """ print(A/sum_A) """ 某个轴计算A元素的累计总和 """ print(A.cumsum(axis=0)) """ 点积是相同位置的按元素乘积的和 """ x=torch.arange(4,dtype=torch.float32) y=torch.ones(4,dtype=torch.float32) print(x) print(y) print(torch.dot(x,y)) # x,y求点积 """ 我们可以通过执行按元素乘法，然后进行求和来表示两个向量的点积 """ print(torch.sum(x*y))
""" 范数是向量元素平方和的平方根(L2范数) """ u=torch.tensor([3.0,-4.0]) print(torch.norm(u)) """ L1范数它表示为向量元素的绝对值之和 """ print(torch.abs(u).sum()) """ 矩阵的弗罗贝尼乌斯范数是矩阵元素的平方和的平方根 """ print(torch.norm(torch.ones((4,9))))
