pytorch?tensor內(nèi)所有元素相乘實(shí)例
更新時(shí)間：2022年07月16日 16:32:49 作者：某C姓工程師傅
這篇文章主要介紹了pytorch?tensor內(nèi)所有元素相乘實(shí)例，具有很好的參考價(jià)值，希望對大家有所幫助。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教
tensor內(nèi)所有元素相乘
a = torch.Tensor([1,2,3]) print(torch.prod(a))
輸出
tensor(6.)
tensor乘法運(yùn)算匯總與解析
元素一一相乘
該操作又稱作 “哈達(dá)瑪積”, 簡單來說就是 tensor 元素逐個(gè)相乘。這個(gè)操作，是通過 * 也就是常規(guī)的乘號操作符定義的操作結(jié)果。torch.mul 是等價(jià)的。
import torch def element_by_element(): ? ?? ? ? x = torch.tensor([1, 2, 3]) ? ? y = torch.tensor([4, 5, 6]) ? ?? ? ? return x * y, torch.mul(x, y) element_by_element()
(tensor([ 4, 10, 18]), tensor([ 4, 10, 18]))
這個(gè)操作是可以 broad cast 的。
def element_by_element_broadcast(): ? ?? ? ? x = torch.tensor([1, 2, 3]) ? ? y = 2 ? ?? ? ? return x * y element_by_element_broadcast()
tensor([2, 4, 6])
向量點(diǎn)乘
torch.matmul: If both tensors are 1-dimensional, the dot product (scalar) is returned.
如果都是1維的，返回的就是 dot product 結(jié)果
def vec_dot_product(): ? ?? ? ? x = torch.tensor([1, 2, 3]) ? ? y = torch.tensor([4, 5, 6]) ? ?? ? ? return torch.matmul(x, y) vec_dot_product()
tensor(32)
矩陣乘法
torch.matmul: If both arguments are 2-dimensional, the matrix-matrix product is returned.
如果都是2維，那么就是矩陣乘法的結(jié)果返回。與 torch.mm 是等價(jià)的，torch.mm 僅僅能處理的是矩陣乘法。
def matrix_multiple(): ? ?? ? ? x = torch.tensor([ ? ? ? ? [1, 2, 3], ? ? ? ? [4, 5, 6] ? ? ]) ? ? y = torch.tensor([ ? ? ? ? [7, 8], ? ? ? ? [9, 10], ? ? ? ? [11, 12] ? ? ]) ? ?? ? ? return torch.matmul(x, y), torch.mm(x, y) matrix_multiple()
(tensor([[ 58, ?64], ? ? ? ? ?[139, 154]]), tensor([[ 58, ?64], ? ? ? ? ?[139, 154]]))
vector 與 matrix 相乘
torch.matmul: If the first argument is 1-dimensional and the second argument is 2-dimensional, a 1 is prepended to its dimension for the purpose of the matrix multiply. After the matrix multiply, the prepended dimension is removed.
如果第一個(gè)是 vector, 第二個(gè)是 matrix, 會在 vector 中增加一個(gè)維度。也就是 vector 變成了 與 matrix 相乘之后，變成 , 在結(jié)果中將 維 再去掉。
def vec_matrix(): ? ? x = torch.tensor([1, 2, 3]) ? ? y = torch.tensor([ ? ? ? ? [7, 8], ? ? ? ? [9, 10], ? ? ? ? [11, 12] ? ? ]) ? ?? ? ? return torch.matmul(x, y) vec_matrix()
tensor([58, 64])
matrix 與 vector 相乘
同樣的道理， vector會被擴(kuò)充一個(gè)維度。
def matrix_vec(): ? ? x = torch.tensor([ ? ? ? ? [1, 2, 3], ? ? ? ? [4, 5, 6] ? ? ]) ? ? y = torch.tensor([ ? ? ? ? 7, 8, 9 ? ? ]) ? ?? ? ? return torch.matmul(x, y) matrix_vec()
tensor([ 50, 122])
帶有batch_size 的 broad cast乘法
def batched_matrix_broadcasted_vector():
? ? x = torch.tensor([
? ? ? ? [
? ? ? ? ? ? [1, 2], [3, 4]
? ? ? ? ],
? ? ? ? [
? ? ? ? ? ? [5, 6], [7, 8]
? ? ? ? ]
? ? ])
? ??
? ? print(f"x shape: {x.size()} \n {x}")
? ? y = torch.tensor([1, 3])
? ??
? ? return torch.matmul(x, y)
batched_matrix_broadcasted_vector()x shape: torch.Size([2, 2, 2])? ?tensor([[[1, 2], ? ? ? ? ?[3, 4]], ? ? ? ? [[5, 6], ? ? ? ? ?[7, 8]]]) tensor([[ 7, 15], ? ? ? ? [23, 31]])
batched matrix x batched matrix
def batched_matrix_batched_matrix():
? ? x = torch.tensor([
? ? ? ? [
? ? ? ? ? ? [1, 2, 1], [3, 4, 4]
? ? ? ? ],
? ? ? ? [
? ? ? ? ? ? [5, 6, 2], [7, 8, 0]
? ? ? ? ]
? ? ])
? ??
? ? y = torch.tensor([
? ? ? ? [
? ? ? ? ? ? [1, 2],?
? ? ? ? ? ? [3, 4],?
? ? ? ? ? ? [5, 6]
? ? ? ? ],
? ? ? ? [
? ? ? ? ? ? [7, 8],?
? ? ? ? ? ? [9, 10],?
? ? ? ? ? ? [1, 2]
? ? ? ? ]
? ? ])
? ??
? ? print(f"x shape: {x.size()} \n y shape: {y.size()}")
? ? return torch.matmul(x, y)
xy = batched_matrix_batched_matrix()
print(f"xy shape: {xy.size()} \n {xy}")x shape: torch.Size([2, 2, 3])? ?y shape: torch.Size([2, 3, 2]) xy shape: torch.Size([2, 2, 2])? ?tensor([[[ 12, ?16], ? ? ? ? ?[ 35, ?46]], ? ? ? ? [[ 91, 104], ? ? ? ? ?[121, 136]]])
上面的效果與 torch.bmm 是一樣的。matmul 比 bmm 功能更加強(qiáng)大，但是 bmm 的語義非常明確， bmm 處理的只能是 3維的。
def batched_matrix_batched_matrix_bmm():
? ? x = torch.tensor([
? ? ? ? [
? ? ? ? ? ? [1, 2, 1], [3, 4, 4]
? ? ? ? ],
? ? ? ? [
? ? ? ? ? ? [5, 6, 2], [7, 8, 0]
? ? ? ? ]
? ? ])
? ??
? ? y = torch.tensor([
? ? ? ? [
? ? ? ? ? ? [1, 2],?
? ? ? ? ? ? [3, 4],?
? ? ? ? ? ? [5, 6]
? ? ? ? ],
? ? ? ? [
? ? ? ? ? ? [7, 8],?
? ? ? ? ? ? [9, 10],?
? ? ? ? ? ? [1, 2]
? ? ? ? ]
? ? ])
? ??
? ? print(f"x shape: {x.size()} \n y shape: {y.size()}")
? ? return torch.bmm(x, y)
xy = batched_matrix_batched_matrix()
print(f"xy shape: {xy.size()} \n {xy}")x shape: torch.Size([2, 2, 3])? ?y shape: torch.Size([2, 3, 2]) xy shape: torch.Size([2, 2, 2])? ?tensor([[[ 12, ?16], ? ? ? ? ?[ 35, ?46]], ? ? ? ? [[ 91, 104], ? ? ? ? ?[121, 136]]])
tensordot
def tesnordot():
? ? x = torch.tensor([
? ? ? ? [1, 2, 1],?
? ? ? ? [3, 4, 4]])
? ? y = torch.tensor([
? ? ? ? [7, 8],?
? ? ? ? [9, 10],?
? ? ? ? [1, 2]])
? ? print(f"x shape: {x.size()}, y shape: {y.size()}")
? ? return torch.tensordot(x, y, dims=([0], [1]))
tesnordot()x shape: torch.Size([2, 3]), y shape: torch.Size([3, 2]) tensor([[31, 39, ?7], ? ? ? ? [46, 58, 10], ? ? ? ? [39, 49, ?9]])
以上為個(gè)人經(jīng)驗(yàn)，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。
相關(guān)文章
在本篇文章里我們給大家分享了關(guān)于Python對切片命名的實(shí)現(xiàn)方法的相關(guān)知識點(diǎn)內(nèi)容，有需要的朋友們學(xué)習(xí)下。2018-10-10
Python繪制三角函數(shù)圖(sin\cos\tan)并標(biāo)注特定范圍的例子
今天小編就為大家分享一篇Python繪制三角函數(shù)圖(sin\cos\tan)并標(biāo)注特定范圍的例子，具有很好的參考價(jià)值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-12-12
pandas的相關(guān)系數(shù)與協(xié)方差實(shí)例
今天小編就為大家分享一篇pandas的相關(guān)系數(shù)與協(xié)方差實(shí)例，具有很好的參考價(jià)值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-12-12
Python?Fuzzywuzzy庫基本函數(shù)及模糊字符串匹配應(yīng)用實(shí)戰(zhàn)
fuzzywuzzy?是一個(gè)用于模糊字符串匹配的?Python?庫,它基于編輯距離算法,提供了多個(gè)函數(shù)來比較字符串之間的相似性,在實(shí)際開發(fā)中,字符串匹配是一項(xiàng)常見但具有挑戰(zhàn)性的任務(wù),用戶可能犯拼寫錯(cuò)誤,使用縮寫或者輸入同義詞,因此,我們需要一種方法來處理這些情況2023-12-12
python利用urllib和urllib2訪問http的GET/POST詳解
urllib模塊提供的上層接口,使我們可以像讀取本地文件一樣讀取www和ftp上的數(shù)據(jù)。下面這篇文章主要給大家介紹了關(guān)于python如何利用urllib和urllib2訪問http的GET/POST的相關(guān)資料，需要的朋友可以參考借鑒，下面來一起看看吧。2017-09-09
這篇文章主要介紹了使用Python的PIL模塊來進(jìn)行圖片對比的方法,搜索引擎最基本的圖片搜索也是利用圖片顏色值的對比來實(shí)現(xiàn)的,需要的朋友可以參考下2016-02-02
這篇文章主要介紹了Python改變對象的字符串顯示的方法，文中講解非常細(xì)致，代碼幫助大家更好的理解和學(xué)習(xí)，感興趣的朋友可以了解下2020-08-08
每天都是浪漫七夕！這篇文章主要為大家詳細(xì)介紹了python愛心表白，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2018-08-08
在本篇文章里小編給大家分享的是一篇關(guān)于零基礎(chǔ)學(xué)python要多久的相關(guān)文章內(nèi)容，有興趣的朋友們可以跟著學(xué)習(xí)下。2020-06-06
這篇文章主要介紹了10 分鐘快速入門 Python3的教程，小編覺得挺不錯(cuò)的，現(xiàn)在分享給大家，也給大家做個(gè)參考。一起跟隨小編過來看看吧2019-01-01