Operaciones Matemáticas con Tensores
Operaciones elemento a elemento
Las operaciones elemento a elemento se aplican a cada elemento del tensor individualmente. Estas operaciones, como suma, resta y división, funcionan de manera similar a como lo hacen en NumPy:
123456789101112131415import 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}")
Operaciones matriciales
PyTorch también admite la multiplicación de matrices y el producto punto, que se realizan utilizando la función torch.matmul():
123456import 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}")
También se puede utilizar el operador @ para la multiplicación de matrices:
12345import torch x = torch.tensor([[1, 2], [3, 4]]) y = torch.tensor([[5, 6], [7, 8]]) z = x @ y print(f"Matrix Multiplication with @: {z}")
Operaciones de Agregación
Las operaciones de agregación calculan estadísticas resumidas a partir de tensores, como los valores de suma, media, máximo y mínimo, que pueden calcularse utilizando sus respectivos métodos.
12345678910import 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()}")
Los métodos de agregación también tienen dos parámetros opcionales:
dim: especifica la dimensión (de manera similar aaxisen NumPy) a lo largo de la cual se aplica la operación. Por defecto, si no se proporcionadim, la operación se aplica a todos los elementos del tensor;keepdim: indicador booleano (Falsepor defecto). Si se establece enTrue, la dimensión reducida se mantiene como una dimensión de tamaño1en la salida, preservando el número original de dimensiones.
12345678import 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 permite operaciones entre tensores de diferentes formas al expandir automáticamente las dimensiones. Si necesita un repaso sobre broadcasting, puede encontrar más detalles aquí.
123456import 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}")
Funciones matemáticas útiles
PyTorch también proporciona varias funciones matemáticas como exponenciales, logaritmos y funciones trigonométricas.
1234567tensor = 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()}")
¡Gracias por tus comentarios!
Pregunte a AI
Pregunte a AI
Pregunte lo que quiera o pruebe una de las preguntas sugeridas para comenzar nuestra charla
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?
Awesome!
Completion rate improved to 5Operaciones Matemáticas con Tensores
Desliza para mostrar el menú
Operaciones elemento a elemento
Las operaciones elemento a elemento se aplican a cada elemento del tensor individualmente. Estas operaciones, como suma, resta y división, funcionan de manera similar a como lo hacen en NumPy:
123456789101112131415import 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}")
Operaciones matriciales
PyTorch también admite la multiplicación de matrices y el producto punto, que se realizan utilizando la función torch.matmul():
123456import 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}")
También se puede utilizar el operador @ para la multiplicación de matrices:
12345import torch x = torch.tensor([[1, 2], [3, 4]]) y = torch.tensor([[5, 6], [7, 8]]) z = x @ y print(f"Matrix Multiplication with @: {z}")
Operaciones de Agregación
Las operaciones de agregación calculan estadísticas resumidas a partir de tensores, como los valores de suma, media, máximo y mínimo, que pueden calcularse utilizando sus respectivos métodos.
12345678910import 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()}")
Los métodos de agregación también tienen dos parámetros opcionales:
dim: especifica la dimensión (de manera similar aaxisen NumPy) a lo largo de la cual se aplica la operación. Por defecto, si no se proporcionadim, la operación se aplica a todos los elementos del tensor;keepdim: indicador booleano (Falsepor defecto). Si se establece enTrue, la dimensión reducida se mantiene como una dimensión de tamaño1en la salida, preservando el número original de dimensiones.
12345678import 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 permite operaciones entre tensores de diferentes formas al expandir automáticamente las dimensiones. Si necesita un repaso sobre broadcasting, puede encontrar más detalles aquí.
123456import 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}")
Funciones matemáticas útiles
PyTorch también proporciona varias funciones matemáticas como exponenciales, logaritmos y funciones trigonométricas.
1234567tensor = 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()}")
¡Gracias por tus comentarios!
