討論5種基本和最常用的張量運(yùn)算

深度學(xué)習(xí)使我們能夠執(zhí)行非常復(fù)雜的任務(wù)。為了有效地執(zhí)行任務(wù),我們需要一個(gè)靈活的工具。由于其簡(jiǎn)單性,Pytorch為我們提供了此選項(xiàng)。它使用GPU(圖形處理單元)提供加速的操作。Pytorch是一個(gè)高性能的庫(kù),因此它得到了普及。下面的notebook包含一些基本功能,這些功能對(duì)于執(zhí)行張量運(yùn)算非常有用。這些運(yùn)算用于多維張量和算術(shù)運(yùn)算。通用運(yùn)算——逆運(yùn)算創(chuàng)建運(yùn)算——復(fù)數(shù)算術(shù)運(yùn)算——轉(zhuǎn)置改變運(yùn)算——添加減少運(yùn)算——Amax我們將討論這5個(gè)基本功能的示例并觀察錯(cuò)誤。在開(kāi)始之前,讓我們安裝并導(dǎo)入PyTorch# Windows
# !pip install numpy torch==1．7．0+cpu torchvision==0．8．1+cpu torchaudio==0．7．0 -f https://download．pytorch．org/whl/torch_stable．html
# Import torch and other required modules
import torch

1． 通用運(yùn)算——逆運(yùn)算

我們將使用的第一個(gè)函數(shù)是“反函數(shù)”。a = torch．randn(2,3,3)
print(a)
torch．inverse(a)

上面的“ randn”函數(shù)創(chuàng)建了一個(gè)3X3方陣,最外面具有2個(gè)行。然后,“逆”函數(shù)取矩陣中各個(gè)元素的逆a = torch．rand(4,4)
print(a)
torch．inverse(a)

上面是一個(gè)4X4方陣,其中每個(gè)元素都使用反函數(shù)進(jìn)行反算。a = torch．rand(4,3)
print(a)
torch．inverse(a)
RuntimeError: A must be batches of square matrices, but they are 3 by 4 matrices

上面給出的第三個(gè)示例拋出錯(cuò)誤�！澳妗焙瘮�(shù)給出矩陣各個(gè)元素的逆。該錯(cuò)誤歸因于矩陣不是正方形的事實(shí)。通過(guò)更改尺寸,可以獲得正確的結(jié)果。逆函數(shù)對(duì)于在Pytorch神經(jīng)網(wǎng)絡(luò)上執(zhí)行逆函數(shù)非常有用。

2． 創(chuàng)建運(yùn)算——復(fù)數(shù)

讓我們使用函數(shù)通過(guò)創(chuàng)建矢量或矩陣來(lái)初始化對(duì)張量數(shù)據(jù)的處理。在這里,我們將使用復(fù)數(shù)的功能。為了獲得最終的complex64,我們需要輸入float32類型。real = torch．tensor([2,1], dtype=torch．float32)
imag = torch．tensor([2,3], dtype=torch．float32)
a= torch．complex(real, imag)
a．dtype

在下面,我們使用rand函數(shù)創(chuàng)建了名為“ real”和“ imag”的張量。使用“復(fù)數(shù)”函數(shù),我們將兩個(gè)張量結(jié)合在一起,并形成了具有實(shí)數(shù)和虛數(shù)的單個(gè)方程real = torch．rand(2,3)
imag = torch．rand(1,3)
print(real)
print(imag)
x = torch．complex(real, imag,)
print(x)

在下面的示例中,它不是嘗試使用兩個(gè)值“ real”和“ imag”數(shù)據(jù)創(chuàng)建一個(gè)復(fù)數(shù)張量,而是嘗試創(chuàng)建一個(gè)復(fù)數(shù)張量。我們可能會(huì)因?yàn)槿鄙賳蝹�(gè)方括號(hào)而看到上述錯(cuò)誤,而該方括號(hào)會(huì)給我們所需的結(jié)果。real = torch．tensor(2．, 4)
imag = torch．tensor(7．, 3)
x = torch．complex(real, imag,)
x
TypeError: tensor() takes 1 positional argument but 2 were given

我們可以使用上述函數(shù)來(lái)創(chuàng)建由實(shí)數(shù)和虛數(shù)數(shù)據(jù)組成的復(fù)數(shù)張量。

3． 算術(shù)運(yùn)算——轉(zhuǎn)置

在這里,我們將使用轉(zhuǎn)置功能來(lái)處理張量數(shù)據(jù),從而使我們的操作變得容易。a = torch．rand(2,3,5)
print(a)
torch．transpose(a,1,2)

從最外面的第1行開(kāi)始,我們已換位了第一行的所有元素。a = torch．rand(2,5)
print(a)
torch．transpose(a, -1, 0)

這里,在上述情況下,我們給出了要轉(zhuǎn)置的第一維和第二維。TypeError: transpose() received an invalid combination of arguments - got (Tensor), but expected one of:  * (Tensor input, name dim0, name dim1)  * (Tensor input, int dim0, int dim1)

在張量數(shù)據(jù)上使用轉(zhuǎn)置功能時(shí),我們還必須傳遞尺寸,以闡明需要轉(zhuǎn)置哪些尺寸。如果我們使用't'而不是'transpose'函數(shù),那么上面的函數(shù)將可以正常工作。當(dāng)必須轉(zhuǎn)置張量數(shù)據(jù)的給定維數(shù),同時(shí)指定需要轉(zhuǎn)置的“ n”維數(shù)時(shí),可以使用“轉(zhuǎn)置”函數(shù)。

4． 改變運(yùn)算——添加

讓我們執(zhí)行一些算術(shù)運(yùn)算——在張量數(shù)據(jù)上添加一個(gè)函數(shù)。a = torch．randn(10)
print(a)
torch．a(chǎn)dd(a,5)

第二個(gè)屬性(在上述情況下為5)應(yīng)為整數(shù),必須將其添加到張量數(shù)據(jù)中(在上述情況下)。結(jié)果將是兩個(gè)的總和。a = torch．rand(5)
b = torch．rand(5)
print(a)
print(b)
torch．a(chǎn)dd(a,b)

“add”函數(shù)計(jì)算相同維數(shù)的兩個(gè)張量數(shù)據(jù)之和,并給出相同維數(shù)的結(jié)果。a = torch．rand(10)
b = torch．rand(5)
torch．a(chǎn)dd(a,b)
RuntimeError: The size of tensor a (10) must match the size of tensor b (5) at non-singleton dimension 0

在張量中執(zhí)行任何算術(shù)運(yùn)算時(shí),我們需要注意輸入張量的尺寸彼此匹配。“Add”函數(shù)可用于添加任何兩個(gè)給定的張量,或添加具有給定數(shù)字的張量數(shù)據(jù)。

5． 歸約運(yùn)算——Amax

使用某些歸約運(yùn)算——amax。這些將有助于對(duì)張量數(shù)據(jù)執(zhí)行統(tǒng)計(jì)操作。這里,在下面的示例中,“ amax”函數(shù)用于給出每個(gè)尺寸中的最大元素,其中“ -1”表示要縮小的尺寸。a = torch．rand(3,2)
print(a)
torch．a(chǎn)max(a, dim = -1)

同樣,在以下情況下,“ amax”函數(shù)為每個(gè)切片提供張量數(shù)據(jù)中的最大值。a = torch．rand(5)
print(a)
torch．a(chǎn)max(a, dim=-2)

在以下情況下,amax函數(shù)的維數(shù)在-1到0之間變化。因此,“ dim”屬性必須在此范圍內(nèi)。a = torch．tensor([[3,2], [1,2], [4,7],[6,5]])
print(a)
torch．a(chǎn)max(a, dim = 1)
IndexError: Dimension out of range (expected to be in range of [-1, 0], but got -2)

結(jié)論

在本文中,我們涵蓋了從創(chuàng)建張量數(shù)據(jù)到執(zhí)行算術(shù)運(yùn)算所需的函數(shù)。