Lære Matematiske Operationer med Tensorer

Elementvise operationer

Elementvise operationer anvendes på hvert element i tensoren individuelt. Disse operationer, såsom addition, subtraktion og division, fungerer på samme måde som i NumPy:


              123456789101112131415
            
import torch
a = torch.tensor([1, 2, 3])
b = torch.tensor([4, 5, 6])
# Element-wise addition
addition_result = a + b
print(f"Addition: {addition_result}")
# Element-wise subtraction
subtraction_result = a - b
print(f"Subtraction: {subtraction_result}")
# Element-wise multiplication
multiplication_result = a * b
print(f"Multiplication: {multiplication_result}")
# Element-wise division
division_result = a / b
print(f"Division: {division_result}")

Matrixoperationer

PyTorch understøtter også matrixmultiplikation og dotprodukt, som udføres ved hjælp af funktionen torch.matmul():


              123456
            
import torch
x = torch.tensor([[1, 2], [3, 4]])
y = torch.tensor([[5, 6], [7, 8]])
# Matrix multiplication
z = torch.matmul(x, y)
print(f"Matrix multiplication: {z}")

Du kan også bruge @-operatoren til matrixmultiplikation:


              12345
            
import torch
x = torch.tensor([[1, 2], [3, 4]])
y = torch.tensor([[5, 6], [7, 8]])
z = x @ y
print(f"Matrix Multiplication with @: {z}")

Aggregeringsoperationer

Aggregeringsoperationer beregner sammenfattende statistikker fra tensorer, såsom sum, gennemsnit, maksimum og minimumsværdier, som kan beregnes ved hjælp af deres respektive metoder.


              12345678910
            
import torch
tensor = torch.tensor([[1, 2, 3], [4, 5, 6]]).float()
# Sum of all elements
print(f"Sum: {tensor.sum()}")
# Mean of all elements
print(f"Mean: {tensor.mean()}")
# Maximum value
print(f"Max: {tensor.max()}")
# Minimum value
print(f"Min: {tensor.min()}")

Aggregeringsmetoder har også to valgfrie parametre:

dim: angiver dimensionen (svarende til axis i NumPy) langs hvilken operationen anvendes. Som standard, hvis dim ikke angives, anvendes operationen på alle elementer i tensoren;
keepdim: et boolesk flag (False som standard). Hvis det sættes til True, bevares den reducerede dimension som en dimension med størrelse 1 i outputtet, hvilket bevarer det oprindelige antal dimensioner.


              12345678
            
import torch
tensor = torch.tensor([[1, 2, 3], [4, 5, 6]])
# Aggregation operations along specific dimensions
print(f"Sum along rows (dim=1): {tensor.sum(dim=1)}")
print(f"Sum along columns (dim=0): {tensor.sum(dim=0)}")
# Aggregation with keepdim=True
print(f"Sum along rows with keepdim (dim=1): {tensor.sum(dim=1, keepdim=True)}")
print(f"Sum along columns with keepdim (dim=0): {tensor.sum(dim=0, keepdim=True)}")

Broadcasting

Broadcasting muliggør operationer mellem tensores af forskellige former ved automatisk at udvide dimensionerne. Hvis du har brug for en genopfriskning af broadcasting, kan du finde flere detaljer her.


              123456
            
import torch
a = torch.tensor([[1, 2, 3]])  # Shape (1, 3)
b = torch.tensor([[4], [5]])  # Shape (2, 1)
# Broadcasting addition
c = a + b
print(f"Broadcasted addition: {c}")

Nyttige matematiske funktioner

PyTorch tilbyder også forskellige matematiske funktioner såsom eksponentialer, logaritmer og trigonometriske funktioner.


              1234567
            
tensor = torch.tensor([1.0, 2.0, 3.0])
# Exponentiation
print(f"Exponent: {tensor.exp()}")
# Logarithm
print(f"Logarithm: {tensor.log()}")
# Sine
print(f"Sine: {tensor.sin()}")

Var alt klart?

Tak for dine kommentarer!

Sektion 1. Kapitel 7

Spørg AI

Spørg om hvad som helst eller prøv et af de foreslåede spørgsmål for at starte vores chat

Suggested prompts:

Can you explain more about element-wise operations in PyTorch?

What is the difference between element-wise and matrix operations?

How does broadcasting work in PyTorch?

Stryg for at vise menuen

Elementvise operationer

Elementvise operationer anvendes på hvert element i tensoren individuelt. Disse operationer, såsom addition, subtraktion og division, fungerer på samme måde som i NumPy:


              123456789101112131415
            
import torch
a = torch.tensor([1, 2, 3])
b = torch.tensor([4, 5, 6])
# Element-wise addition
addition_result = a + b
print(f"Addition: {addition_result}")
# Element-wise subtraction
subtraction_result = a - b
print(f"Subtraction: {subtraction_result}")
# Element-wise multiplication
multiplication_result = a * b
print(f"Multiplication: {multiplication_result}")
# Element-wise division
division_result = a / b
print(f"Division: {division_result}")

Matrixoperationer

PyTorch understøtter også matrixmultiplikation og dotprodukt, som udføres ved hjælp af funktionen torch.matmul():


              123456
            
import torch
x = torch.tensor([[1, 2], [3, 4]])
y = torch.tensor([[5, 6], [7, 8]])
# Matrix multiplication
z = torch.matmul(x, y)
print(f"Matrix multiplication: {z}")

Du kan også bruge @-operatoren til matrixmultiplikation:


              12345
            
import torch
x = torch.tensor([[1, 2], [3, 4]])
y = torch.tensor([[5, 6], [7, 8]])
z = x @ y
print(f"Matrix Multiplication with @: {z}")

Aggregeringsoperationer

Aggregeringsoperationer beregner sammenfattende statistikker fra tensorer, såsom sum, gennemsnit, maksimum og minimumsværdier, som kan beregnes ved hjælp af deres respektive metoder.


              12345678910
            
import torch
tensor = torch.tensor([[1, 2, 3], [4, 5, 6]]).float()
# Sum of all elements
print(f"Sum: {tensor.sum()}")
# Mean of all elements
print(f"Mean: {tensor.mean()}")
# Maximum value
print(f"Max: {tensor.max()}")
# Minimum value
print(f"Min: {tensor.min()}")

Aggregeringsmetoder har også to valgfrie parametre:

dim: angiver dimensionen (svarende til axis i NumPy) langs hvilken operationen anvendes. Som standard, hvis dim ikke angives, anvendes operationen på alle elementer i tensoren;
keepdim: et boolesk flag (False som standard). Hvis det sættes til True, bevares den reducerede dimension som en dimension med størrelse 1 i outputtet, hvilket bevarer det oprindelige antal dimensioner.


              12345678
            
import torch
tensor = torch.tensor([[1, 2, 3], [4, 5, 6]])
# Aggregation operations along specific dimensions
print(f"Sum along rows (dim=1): {tensor.sum(dim=1)}")
print(f"Sum along columns (dim=0): {tensor.sum(dim=0)}")
# Aggregation with keepdim=True
print(f"Sum along rows with keepdim (dim=1): {tensor.sum(dim=1, keepdim=True)}")
print(f"Sum along columns with keepdim (dim=0): {tensor.sum(dim=0, keepdim=True)}")

Broadcasting


              123456
            
import torch
a = torch.tensor([[1, 2, 3]])  # Shape (1, 3)
b = torch.tensor([[4], [5]])  # Shape (2, 1)
# Broadcasting addition
c = a + b
print(f"Broadcasted addition: {c}")

Nyttige matematiske funktioner

PyTorch tilbyder også forskellige matematiske funktioner såsom eksponentialer, logaritmer og trigonometriske funktioner.


              1234567
            
tensor = torch.tensor([1.0, 2.0, 3.0])
# Exponentiation
print(f"Exponent: {tensor.exp()}")
# Logarithm
print(f"Logarithm: {tensor.log()}")
# Sine
print(f"Sine: {tensor.sin()}")

Var alt klart?

Tak for dine kommentarer!

Sektion 1. Kapitel 7

Matematiske Operationer med Tensorer

Elementvise operationer

Matrixoperationer

Aggregeringsoperationer

Broadcasting

Nyttige matematiske funktioner

Awesome!

Matematiske Operationer med Tensorer

Elementvise operationer

Matrixoperationer

Aggregeringsoperationer

Broadcasting

Nyttige matematiske funktioner