AI因你而升溫，記得加星標(biāo)哦！

↑?關(guān)注 + 星標(biāo)?，每天學(xué)Python新技能
后臺(tái)回復(fù)【大禮包】送你Python自學(xué)大禮包

在介紹完PyTorch中的廣播運(yùn)算后，繼續(xù)為大家介紹PyTorch的內(nèi)置數(shù)學(xué)運(yùn)算：

• 首先對(duì)內(nèi)置函數(shù)有一個(gè)功能印象，知道它的存在，使用時(shí)再查具體怎么用
• 其次，我還會(huì)介紹PyTorch科學(xué)運(yùn)算的注意事項(xiàng)與一些實(shí)用小技巧

1 基本數(shù)學(xué)運(yùn)算

2 進(jìn)行數(shù)值調(diào)整

t?=?torch.randn(5)
t
#?tensor([?0.3806,??0.9064,?-1.9179,??2.0816,?-0.4153])

返回絕對(duì)值

torch.abs(t)
#?tensor([0.3806,?0.9064,?1.9179,?2.0816,?0.4153])

返回相反數(shù)

torch.neg(t)
#?tensor([-0.3806,?-0.9064,??1.9179,?-2.0816,??0.4153])

四舍五入

torch.round(t)
#?tensor([?0.,??1.,?-2.,??2.,?-0.])

向上取整

torch.ceil(t)?
#?tensor([?1.,??1.,?-1.,??3.,?-0.])

向下取整

torch.floor(t)
#?tensor([?0.,??0.,?-2.,??2.,?-1.])

注：雖然此類型函數(shù)并不會(huì)對(duì)原對(duì)象進(jìn)行調(diào)整，而是輸出新的結(jié)果。

#?t本身并未發(fā)生變化
t
#?tensor([?0.3806,??0.9064,?-1.9179,??2.0816,?-0.4153])

若要對(duì)原對(duì)象本身進(jìn)行修改，可使用方法_()。

#?使用方法_()
t.round_()
#?tensor([?0.,??1.,?-2.,??2.,?-0.])

#?原對(duì)象也進(jìn)行了改變
t
#?tensor([?0.,??1.,?-2.,??2.,?-0.])

3 常用科學(xué)計(jì)算

需要注意的有以下兩點(diǎn)：

• 因?yàn)閺埩磕苤付ㄔ?code style="padding: 2px 4px;border-radius: 4px;margin-right: 2px;margin-left: 2px;background-color: rgba(27, 31, 35, 0.05);font-family: "Operator Mono", Consolas, Monaco, Menlo, monospace;word-break: break-all;color: rgb(200, 54, 6);font-size: 13px;">CPU或者GPU上運(yùn)行，因此tensor的大多數(shù)科學(xué)計(jì)算只能作用于tensor對(duì)象，而不能和Python對(duì)象混用

#?計(jì)算3的3次方
torch.pow(3,?3)
#?TypeError

torch.pow(torch.tensor(3),?3)
#?tensor(27)

• 由于會(huì)涉及GPU計(jì)算，所以對(duì)運(yùn)算結(jié)果一般是小數(shù)的函數(shù)，要求函數(shù)只能輸入浮點(diǎn)型張量，而不能是整型

t?=?torch.arange(1,?4)
t.dtype
#?torch.int64
torch.exp(t)
#?RuntimeError

torch.exp(t.float())
#?tensor([1.0000,?2.7183,?0.1353,?7.3891,?1.0000])

其他常用科學(xué)計(jì)算有：

4 統(tǒng)計(jì)分析

此類計(jì)算是對(duì)某張量進(jìn)行某種總結(jié)，最后得出一個(gè)具體總結(jié)值的函數(shù)。

• 這里我們常用的距離公式dist()，為閔可夫斯基距離，通過輸入不同的p值，可方便計(jì)算曼哈頓距離、歐拉距離：

#?輸入float型
t1?=?torch.tensor([1,?2,?3]).float()
t2?=?torch.tensor([4,?5,?6]).float()

#?計(jì)算曼哈頓距離
torch.dist(t1,?t2,?1)
#?tensor(9.)

#?計(jì)算歐拉距離
torch.dist(t1,?t2,?2)
#?tensor(5.1962)

• 統(tǒng)計(jì)分析是一個(gè)張量序列返回一個(gè)結(jié)果，因此若是針對(duì)高維張量，則可指定某維度進(jìn)行計(jì)算：

#?創(chuàng)建一個(gè)3*3的二維張量
t2?=?torch.arange(6).float().reshape(2,?3)
t2

#?按照第一個(gè)維度求和(按列求和)
torch.sum(t2,?dim?=?0)
#?tensor([3.,?5.,?7.])

理解為：按照第一個(gè)維度是行，所以將每行對(duì)應(yīng)元素相加，就是按列求和。

這里一定要將dim參數(shù)和shape返回結(jié)果一一對(duì)應(yīng)。不理解的同學(xué)強(qiáng)烈推薦閱讀深入理解數(shù)據(jù)的維度。

#?創(chuàng)建一個(gè)2*3*4的三維張量
t3?=?torch.arange(24).float().reshape(2,?3,?4)
t3
#?tensor([[[?0.,??1.,??2.,??3.],
#??????????[?4.,??5.,??6.,??7.],
#??????????[?8.,??9.,?10.,?11.]],

#?????????[[12.,?13.,?14.,?15.],
#??????????[16.,?17.,?18.,?19.],
#??????????[20.,?21.,?22.,?23.]]])

#?第一維度是代表幾個(gè)二維矩陣，就是二維矩陣的對(duì)應(yīng)位置相加
torch.sum(t3,?dim?=?0)
#?tensor([[12.,?14.,?16.,?18.],
#?????????[20.,?22.,?24.,?26.],
#?????????[28.,?30.,?32.,?34.]])
????????
#?第二個(gè)維度代表行，就是向量，每個(gè)二維矩陣中的向量對(duì)應(yīng)位置相加
torch.sum(t3,?dim?=?1)
#?tensor([[12.,?15.,?18.,?21.],
#?????????[48.,?51.,?54.,?57.]])

#?第三個(gè)維度是列，就是零維張量，就是每個(gè)向量進(jìn)行相加
torch.sum(t3,?dim?=?2)
#?tensor([[?6.,?22.,?38.],
#?????????[54.,?70.,?86.]])

這樣理解維度是不是清晰明了？

5 比較運(yùn)算

常用于不同張量之間的邏輯運(yùn)算，最終返回布爾值。需要注意的是eq()與equal()的區(qū)別。

t1?=?torch.tensor([1.0,?2,?4])
t2?=?torch.tensor([1.0,?2,?5])

比較各元素是否相等

torch.eq(t1,?t2)?
#?tensor([?True,??True,?False])

#?等效t1?==?t2
t1?==?t2
#?tensor([?True,??True,?False])

判斷是否是相同的張量

torch.equal(t1,?t2)?
#?False

其它比較計(jì)算還有：