[人工智能][PyTroch系列-7]：PyTorch基础 - 张量Tensor的算术运算

作者主页(文火冰糖的硅基工坊)：https://blog.csdn.net/HiWangWenBing

本文网址：https://blog.csdn.net/HiWangWenBing/article/details/119428023

目录

?第1章?Tensor运算概述

1.1 概述

1.3 ?“in place“运算?

1.4?Tensor的广播机制: 不同维度的tensor实例运算

1.5 环境准备

1.6 算术运算概述：加、减、系数乘、系数除

第2章 加法运算：add

第3章 减法运算：subtract

第4章 乘法运算：multiply

第5章除法运算：divide

第6章 倒数运算：reciprocal()

第7章 幂运算：power()

第8章 广播机制

?第1章?Tensor运算概述

1.1 概述

PyTorch提供了大量的张量运算，基本上可以对标Numpy多维数组的运算，以支持对张量的各种复杂的运算。

这些操作运算中大多是对数组中每个元素执行相同的函数运算，并获得每个元素函数运算的结果序列，这些序列生成一个新的同维度的数组。

https://pytorch.org/docs/master/torch.html

?1.2 运算分类

（1）算术运算：加、减、系数乘、系数除

（2）函数运算：sin，cos

（3）取整运算：上取整、下取整

（4）统计运算：最大值、最小值、均值

（5）线性代数运算

1.3 ?“in place“运算?

“in place“运算不是某个特定的函数运算，而是每个函数都有自己的“in place“运算的版本。

xxx_()：执行完该操作，直接修改tensor自身的值。

基本上，每个函数都有自己的in place版本。

如

torch.cos() =》torch.cos_()

torch.floor() =》torch.floor_()

1.4?Tensor的广播机制: 不同维度的tensor实例运算

1.5 环境准备

import numpy as np
import torch
 
print("Hello World")
print(torch.__version__)
print(torch.cuda.is_available())

1.6 算术运算概述：加、减、系数乘、系数除

PyTorch算术函数包含简单的加减乘除运算:?add()，subtract()，multiply()?和?divide()。

算术运算后得到的结果依然是是相同维度的数组。

第2章 加法运算：add

#代码实例
a = torch.arange(9)
print ('原数据a：')
print (a)
print ('\n')

b = torch.arange(9)
print ('原数据b：')
print (b)
print ('\n')

print ('运算后数据：')
print (a+b)
print (torch.add(a,b))
print (a.add(b))
print ('\n')

print (a)
print ('\n')

输出结果为：

原数据a：
tensor([0, 1, 2, 3, 4, 5, 6, 7, 8])


原数据b：
tensor([0, 1, 2, 3, 4, 5, 6, 7, 8])


运算后数据：
tensor([ 0,  2,  4,  6,  8, 10, 12, 14, 16])
tensor([ 0,  2,  4,  6,  8, 10, 12, 14, 16])
tensor([ 0,  2,  4,  6,  8, 10, 12, 14, 16])


tensor([0, 1, 2, 3, 4, 5, 6, 7, 8])

第3章 减法运算：subtract

#代码实例

a = torch.arange(1,10)
print ('原数据a：')
print (a)
print ('\n')

b = torch.arange(0,9)
print ('原数据b：')
print (b)
print ('\n')

print ('运算后数据：')
print (a-b)
print (torch.sub(a,b))
print (a.sub(b))
print ('\n')

print (a)
print ('\n')

#输出结果

原数据a：
tensor([1, 2, 3, 4, 5, 6, 7, 8, 9])


原数据b：
tensor([0, 1, 2, 3, 4, 5, 6, 7, 8])


运算后数据：
tensor([1, 1, 1, 1, 1, 1, 1, 1, 1])
tensor([1, 1, 1, 1, 1, 1, 1, 1, 1])
tensor([1, 1, 1, 1, 1, 1, 1, 1, 1])


tensor([1, 2, 3, 4, 5, 6, 7, 8, 9])

第4章 乘法运算：multiply

#代码实例

a = torch.Tensor([2,4,6,8,10,12])
print ('原数据a：')
print (a)
print ('\n')

b = torch.Tensor([2,4,6,8,10,12])
print ('原数据b：')
print (b)
print ('\n')

print ('运算后数据：')
print (a*b)
print (torch.multiply(a,b))
print (a.multiply(b))
print ('\n')

print (a)
print ('\n')

#输出结果

原数据a：
tensor([ 2.,  4.,  6.,  8., 10., 12.])


原数据b：
tensor([ 2.,  4.,  6.,  8., 10., 12.])


运算后数据：
tensor([  4.,  16.,  36.,  64., 100., 144.])
tensor([  4.,  16.,  36.,  64., 100., 144.])
tensor([  4.,  16.,  36.,  64., 100., 144.])


tensor([ 2.,  4.,  6.,  8., 10., 12.])

第5章除法运算：divide

#代码实例

a = torch.Tensor([2,4,6,8,10,12])
print ('原数据a：')
print (a)
print ('\n')

b = torch.Tensor([2,4,6,8,10,12])
print ('原数据b：')
print (b)
print ('\n')

print ('运算后数据：')
print (a/b)
print (torch.div(a,b))
print (a.div(b))
print ('\n')

print (a)
print ('\n')

#输出结果

原数据a：
tensor([ 2.,  4.,  6.,  8., 10., 12.])


原数据b：
tensor([ 2.,  4.,  6.,  8., 10., 12.])


运算后数据：
tensor([1., 1., 1., 1., 1., 1.])
tensor([1., 1., 1., 1., 1., 1.])
tensor([1., 1., 1., 1., 1., 1.])


tensor([ 2.,  4.,  6.,  8., 10., 12.])

第6章 倒数运算：reciprocal()

reciprocal() 函数返回参数逐元素的倒数。如?1/4?倒数为?4/1。

#实例

a = torch.Tensor([2,4,5,8,10,20])
print("原数据a")
print(a)

#导数运算
print("运算数据")
print(1/a)
print(torch.reciprocal(a))
print(a.reciprocal())

print("原数据")
print (a)

#输出结果为：

原数据
tensor([ 2.,  4.,  5.,  8., 10., 20.])
倒数数据
tensor([0.5000, 0.2500, 0.2000, 0.1250, 0.1000, 0.0500])
tensor([0.5000, 0.2500, 0.2000, 0.1250, 0.1000, 0.0500])
tensor([0.5000, 0.2500, 0.2000, 0.1250, 0.1000, 0.0500])
原数据
tensor([ 2.,  4.,  5.,  8., 10., 20.])

第7章 幂运算：power()

power() 函数将第一个输入数组中的元素作为底数，计算它与第二个输入数组中相应元素的幂。

#实例

a = torch.Tensor([10,10,10,10,10])
b = torch.Tensor([1,2,3,4,5])
print("原数据a")
print(a)
print("原数据b")
print(b)

#导数运算
print("运算后数据")
#print(a^b)
print(torch.pow(a,b))
print(a.pow(b))

print("原数据a")
print (a)

#输出结果为：

原数据a
tensor([10., 10., 10., 10., 10.])
原数据b
tensor([1., 2., 3., 4., 5.])
运算后数据
tensor([1.0000e+01, 1.0000e+02, 1.0000e+03, 1.0000e+04, 1.0000e+05])
tensor([1.0000e+01, 1.0000e+02, 1.0000e+03, 1.0000e+04, 1.0000e+05])
原数据a
tensor([10., 10., 10., 10., 10.])

第8章 广播机制

当两个张量的维度不同，对他们进行运算时，需要对维度小的张量进行扩展，扩展成高纬度的张量，这个扩展的过程采用的是广播机制，即对低维度数据进行广播式（拷贝）扩展。

a = torch.arange(9).reshape(3,3)
print ('第一个数组：')
print (a)
print ('\n')

print ('第二个数组：')
b = np.array([10,10,10])  
print (b)
print ('\n')

print ('两个数组相加：')
print (np.add(a,b))
print ('\n')

输出结果：

第一个数组：
tensor([[0, 1, 2],
        [3, 4, 5],
        [6, 7, 8]])


第二个数组：
[10 10 10]


两个数组相加：
tensor([[10, 11, 12],
        [13, 14, 15],
        [16, 17, 18]])

作者主页(文火冰糖的硅基工坊)：https://blog.csdn.net/HiWangWenBing

本文网址：https://blog.csdn.net/HiWangWenBing/article/details/119428023