Oppiskele Matemaattiset Operaatiot Tensoreilla

Alkiokohtaiset operaatiot

Alkiokohtaiset operaatiot kohdistuvat jokaiseen tensorin alkioon yksittäin. Nämä operaatiot, kuten yhteenlasku, vähennyslasku ja jakolasku, toimivat samalla tavalla kuin NumPy-kirjastossa:


              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}")

Matriisioperaatiot

PyTorch tukee myös matriisikertolaskua ja pistetuloa, jotka suoritetaan käyttämällä torch.matmul() -funktiota:


              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}")

Voit myös käyttää @-operaattoria matriisikertolaskuun:


              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}")

Aggregointitoiminnot

Aggregointitoiminnot laskevat yhteenvetotilastoja tensoreista, kuten summan, keskiarvon, maksimi- ja minimiarvot, jotka voidaan laskea niiden omilla metodeilla.


              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()}")

Aggregointimetodeilla on myös kaksi valinnaista parametria:

dim: määrittää ulottuvuuden (vastaava kuin axis NumPy-kirjastossa), jonka mukaan operaatio suoritetaan. Oletuksena, jos dim-parametria ei anneta, operaatio kohdistuu kaikkiin tensorin alkioihin;
keepdim: totuusarvolippu (False oletuksena). Jos asetettu arvoksi True, pienennetty ulottuvuus säilytetään koon 1 ulottuvuutena tuloksessa, säilyttäen alkuperäisen ulottuvuuksien määrän.


              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 mahdollistaa operoinnin erimuotoisten tensorien välillä automaattisesti laajentamalla ulottuvuuksia. Jos tarvitset kertausta broadcastingista, löydät lisätietoja täältä.


              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}")

Hyödylliset matemaattiset funktiot

PyTorch tarjoaa myös erilaisia matemaattisia funktioita, kuten eksponentiaalit, logaritmit ja trigonometriset funktiot.


              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()}")

Oliko kaikki selvää?

Kiitos palautteestasi!

Osio 1. Luku 7

Kysy tekoälyä

Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme

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?

Pyyhkäise näyttääksesi valikon

Alkiokohtaiset operaatiot


              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}")

Matriisioperaatiot

PyTorch tukee myös matriisikertolaskua ja pistetuloa, jotka suoritetaan käyttämällä torch.matmul() -funktiota:


              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}")

Voit myös käyttää @-operaattoria matriisikertolaskuun:


              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}")

Aggregointitoiminnot

Aggregointitoiminnot laskevat yhteenvetotilastoja tensoreista, kuten summan, keskiarvon, maksimi- ja minimiarvot, jotka voidaan laskea niiden omilla metodeilla.


              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()}")

Aggregointimetodeilla on myös kaksi valinnaista parametria:

dim: määrittää ulottuvuuden (vastaava kuin axis NumPy-kirjastossa), jonka mukaan operaatio suoritetaan. Oletuksena, jos dim-parametria ei anneta, operaatio kohdistuu kaikkiin tensorin alkioihin;
keepdim: totuusarvolippu (False oletuksena). Jos asetettu arvoksi True, pienennetty ulottuvuus säilytetään koon 1 ulottuvuutena tuloksessa, säilyttäen alkuperäisen ulottuvuuksien määrän.


              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 mahdollistaa operoinnin erimuotoisten tensorien välillä automaattisesti laajentamalla ulottuvuuksia. Jos tarvitset kertausta broadcastingista, löydät lisätietoja täältä.


              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}")

Hyödylliset matemaattiset funktiot

PyTorch tarjoaa myös erilaisia matemaattisia funktioita, kuten eksponentiaalit, logaritmit ja trigonometriset funktiot.


              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()}")

Oliko kaikki selvää?

Kiitos palautteestasi!

Osio 1. Luku 7

Matemaattiset Operaatiot Tensoreilla

Alkiokohtaiset operaatiot

Matriisioperaatiot

Aggregointitoiminnot

Broadcasting

Hyödylliset matemaattiset funktiot

Awesome!

Matemaattiset Operaatiot Tensoreilla

Alkiokohtaiset operaatiot

Matriisioperaatiot

Aggregointitoiminnot

Broadcasting

Hyödylliset matemaattiset funktiot