网站修改dns,网站开发简历,网页图片显示不出来,电商网站布局设计目录
1. 常见运算函数 个人主页#xff1a;Icomi 专栏地址#xff1a;PyTorch入门 在深度学习蓬勃发展的当下#xff0c;PyTorch 是不可或缺的工具。它作为强大的深度学习框架#xff0c;为构建和训练神经网络提供了高效且灵活的平台。神经网络作为人工智能的核心技术Icomi 专栏地址PyTorch入门 在深度学习蓬勃发展的当下PyTorch 是不可或缺的工具。它作为强大的深度学习框架为构建和训练神经网络提供了高效且灵活的平台。神经网络作为人工智能的核心技术能够处理复杂的数据模式。通过 PyTorch我们可以轻松搭建各类神经网络模型实现从基础到高级的人工智能应用。接下来就让我们一同走进 PyTorch 的世界探索神经网络与人工智能的奥秘。本系列为PyTorch入门文章若各位大佬想持续跟进欢迎与我交流互关。 大家好前面我们着重探讨了掌握张量形状操作对于搭建网络模型的重要性就如同搭建一座精密的机械装置每个零件张量形状都得严丝合缝才能确保整个装置正常运转。现在我们又要解锁 PyTorch 赋予我们的另一大 “秘密武器”—— 为每个张量封装的众多实用计算函数。
想象一下我们手中的张量就像是一个装满各种数据的多功能宝箱而 PyTorch 为这个宝箱配备了一系列神奇的 “魔法工具”这些工具就是那些实用的计算函数。比如说当我们需要了解宝箱里数据的整体平均水平时就可以使用计算均值的函数它就像一个精准的 “数据天平”能快速帮我们算出数据的平均值。
再看平方根函数这就好比一个能将数据进行特定 “变形” 的神奇模具。当我们希望对张量中的每个数据进行特定数学变换时平方根函数就能大显身手把数据转换为平方根形式为后续的计算或分析做好准备。
还有求和函数它如同一个勤劳的 “数据收纳员”能将张量里的所有数据快速汇总相加得出总和。无论是在简单的数据统计还是复杂的网络模型计算中这个功能都非常实用。
在我们运用 PyTorch 进行深度学习任务时这些函数就像一群得力的助手时刻准备为我们的计算需求提供高效支持。无论是数据预处理阶段还是模型训练过程中的中间计算环节它们都能发挥关键作用。
1. 常见运算函数
PyTorch 为每个张量封装很多实用的计算函数例如计算均值、平方根、求和等等
import torchdef test():data torch.randint(0, 10, [2, 3], dtypetorch.float64)print(data)print(- * 50)# 1. 计算均值# 注意: tensor 必须为 Float 或者 Double 类型print(data.mean())print(data.mean(dim0)) # 按列计算均值print(data.mean(dim1)) # 按行计算均值print(- * 50)# 2. 计算总和print(data.sum())print(data.sum(dim0))print(data.sum(dim1))print(- * 50)# 3. 计算平方print(data.pow(2))print(- * 50)# 4. 计算平方根print(data.sqrt())print(- * 50)# 5. 指数计算, e^n 次方print(data.exp())print(- * 50)# 6. 对数计算print(data.log()) # 以 e 为底print(data.log2())print(data.log10())if __name__ __main__:test()
运行结果
tensor([[4., 0., 7.],[6., 3., 5.]], dtypetorch.float64)
--------------------------------------------------
tensor(4.1667, dtypetorch.float64)
tensor([5.0000, 1.5000, 6.0000], dtypetorch.float64)
tensor([3.6667, 4.6667], dtypetorch.float64)
--------------------------------------------------
tensor(25., dtypetorch.float64)
tensor([10., 3., 12.], dtypetorch.float64)
tensor([11., 14.], dtypetorch.float64)
--------------------------------------------------
tensor([[16., 0., 49.],[36., 9., 25.]], dtypetorch.float64)
--------------------------------------------------
tensor([[2.0000, 0.0000, 2.6458],[2.4495, 1.7321, 2.2361]], dtypetorch.float64)
--------------------------------------------------
tensor([[5.4598e01, 1.0000e00, 1.0966e03],[4.0343e02, 2.0086e01, 1.4841e02]], dtypetorch.float64)
--------------------------------------------------
tensor([[1.3863, -inf, 1.9459],[1.7918, 1.0986, 1.6094]], dtypetorch.float64)
tensor([[2.0000, -inf, 2.8074],[2.5850, 1.5850, 2.3219]], dtypetorch.float64)
tensor([[0.6021, -inf, 0.8451],[0.7782, 0.4771, 0.6990]], dtypetorch.float64)
