pytorch?tensor內(nèi)所有元素相乘實例
更新時間：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)所有元素相乘實例，具有很好的參考價值，希望對大家有所幫助。如有錯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乘法運算匯總與解析
元素一一相乘
該操作又稱作 “哈達瑪積”, 簡單來說就是 tensor 元素逐個相乘。這個操作，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.
如果第一個是 vector, 第二個是 matrix, 會在 vector 中增加一個維度。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會被擴充一個維度。
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]])
以上為個人經(jīng)驗，希望能給大家一個參考，也希望大家多多支持腳本之家。
相關(guān)文章
這篇文章主要介紹了Python定義一個Actor任務(wù)，文中講解非常細致，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2020-07-07
作為PyCharm編輯器的起步，我們理所當(dāng)然的先寫一個Hello word，并運行它。（此文獻給對IDE不熟悉的初學(xué)者）2014-06-06
今天小編就為大家分享一篇pytorch中的卷積和池化計算方式詳解，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2020-01-01
這篇文章主要介紹了Python中偏函數(shù)用法,結(jié)合實例形式分析了Python基于functools模塊創(chuàng)建和使用偏函數(shù)的相關(guān)操作技巧與注意事項,需要的朋友可以參考下2018-06-06
Scrapy是用python實現(xiàn)的一個為了爬取網(wǎng)站數(shù)據(jù)，提取結(jié)構(gòu)性數(shù)據(jù)而編寫的應(yīng)用框架。使用Twisted高效異步網(wǎng)絡(luò)框架來處理網(wǎng)絡(luò)通信。這篇文章主要介紹了python3 Scrapy爬蟲框架ip代理配置,需要的朋友可以參考下2020-01-01
這篇文章主要介紹了python3 簡單實現(xiàn)組合設(shè)計模式的方法，文中示例代碼非常詳細，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2020-07-07
這篇文章主要介紹了python虛擬機生成器停止背后原理深入詳解,有需要的朋友可以借鑒參考下,希望能夠有所幫助,祝大家多多進步,早日升職加薪2023-10-10
在本篇文章里小編給大家整理的是一篇關(guān)于python正則表達式查找和替換內(nèi)容的實例詳解內(nèi)容，有興趣的朋友們可以跟著學(xué)習(xí)參考下。2021-10-10
這篇文章主要介紹了載及安裝Python詳細步驟,安裝python分三個步驟，具體安裝方法本文給大家介紹的非常詳細，需要的朋友可以參考下2019-11-11
這篇文章主要介紹了Python運算符的使用簡單介紹，文章圍繞主題展開詳細的內(nèi)容介紹，具有一定的參考價值，需要的朋友可以參考一下2022-08-08