Tensor API 較多，所以把 運算 單獨列出來，方便查看
本教程環境 pytorch 1.3以上
乘法
t.mul(input, other, out=None)：矩陣乘以一個數
t.matmul(mat, mat, out=None)：矩陣相乘
t.mm(mat, mat, out=None)：基本上等同於 matmul
a=torch.randn(2,3) b=torch.randn(3,2) ### 等價操作 print(torch.mm(a,b)) # mat x mat print(torch.matmul(a,b)) # mat x mat ### 等價操作 print(torch.mul(a,3)) # mat 乘以 一個數 print(a * 3)
注意，乘法可以直接作用於單個數字
乘法需要符合 向量乘法 的規則，即尺寸匹配
a=torch.randn(2,3) c = torch.randn(2, 3) # print(torch.matmul(a, c)) # 尺寸不符合向量乘法，（2,3）x（2,3） print(torch.matmul(a, c.t())) # t() 轉置，正確 （2,3）x（3,2）
加法
加法有 3 種方式：+，add，add_
import torch as t y = t.rand(2, 3) ### 使用[0，1]均勻分布構建矩陣 z = t.ones(2, 3) ### 2x3 的全 1 矩陣 #### 3 中加法操作等價 print(y + z) ### 加法1 t.add(y, z) ### 加法2 ### 加法的第三種寫法 result = t.Tensor(2, 3) ### 預先分配空間 t.add(y, z, out=result) ### 指定加法結果的輸出目標 print(result)
add_ 與 add 的區別在於，add 不會改變原來的 tensor，而 add_會改變原來的 tensor；
在 pytorch 中，方法后面加 _ 都會改變原來的對象，相當於 in-place 的作用
print(y) # tensor([[0.4083, 0.3017, 0.9511], # [0.4642, 0.5981, 0.1866]]) y.add(z) print(y) ### y 不變 # tensor([[0.4083, 0.3017, 0.9511], # [0.4642, 0.5981, 0.1866]]) y.add_(z) print(y) ### y 變了，相當於 inplace # tensor([[1.4083, 1.3017, 1.9511], # [1.4642, 1.5981, 1.1866]])
可以作用於單個數字或者 尺寸為 (1，1) 的 Tensor
a = t.ones(3, 3) print(a + 1) ### 可以直接作用於單個數字 b = t.ones(1, 1) print(a + b) c = t.ones(2, 1) # print(a + c) ### 報錯，如果尺寸不匹配，c 的尺寸只能是 （1， 1）
減法
和加法一樣，三種：-、sub、sub_
a = t.randn(2, 1) b = t.randn(2, 1) print(a) ### 等價操作 print(a - b) print(t.sub(a, b)) print(a) ### sub 后 a 沒有變化 a.sub_(b) print(a) ### sub_ 后 a 也變了 c = 1 print(a - c) ### 直接作用於單個數字
其他運算
t.div(input, other, out=None)：除法
t.pow(input, other, out=None)：指數
t.sqrt(input, out=None)：開方
t.round(input, out=None)：四舍五入到整數
t.abs(input, out=None)：絕對值
t.ceil(input, out=None)：向上取整
t.clamp(input, min, max, out=None)：把 input 規范在 min 到 max 之間，超出用 min 和 max 代替，可理解為削尖函數
t.argmax(input, dim=None, keepdim=False)：返回指定維度最大值的索引
t.sigmoid(input, out=None)
t.tanh(input, out=None)
參考資料：