Lære Matematiske Operasjoner med Tensorer

Elementvise operasjoner

Elementvise operasjoner brukes på hvert enkelt element i tensoren individuelt. Disse operasjonene, som addisjon, subtraksjon og divisjon, fungerer på samme måte 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}")

Matriseoperasjoner

PyTorch støtter også matrisemultiplikasjon og skalarprodukt, som utføres ved hjelp av funksjonen 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 bruke @-operatoren for matrisesmultiplikasjon:


              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}")

Aggregeringsoperasjoner

Aggregeringsoperasjoner beregner sammendragsstatistikk fra tensorer, som sum, gjennomsnitt, maksimum og minimumsverdier, som kan beregnes ved hjelp av 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 parametere:

dim: angir dimensjonen (tilsvarende axis i NumPy) som operasjonen skal brukes på. Som standard, hvis dim ikke er angitt, brukes operasjonen på alle elementene i tensoren;
keepdim: et boolsk flagg (False som standard). Hvis satt til True, beholdes den reduserte dimensjonen som en dimensjon med størrelse 1 i resultatet, slik at det opprinnelige antallet dimensjoner bevares.


              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 muliggjør operasjoner mellom tensorer med ulike former ved å automatisk utvide dimensjonene. Hvis du trenger en repetisjon om broadcasting, finner du mer informasjon 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 funksjoner

PyTorch tilbyr også ulike matematiske funksjoner som eksponentialer, logaritmer og trigonometriske funksjoner.


              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()}")

Alt var klart?

Takk for tilbakemeldingene dine!

Seksjon 1. Kapittel 7

Spør AI

Spør om hva du vil, eller prøv ett av de foreslåtte spørsmålene for å starte chatten vår

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?

Sveip for å vise menyen

Elementvise operasjoner

Elementvise operasjoner brukes på hvert enkelt element i tensoren individuelt. Disse operasjonene, som addisjon, subtraksjon og divisjon, fungerer på samme måte 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}")

Matriseoperasjoner

PyTorch støtter også matrisemultiplikasjon og skalarprodukt, som utføres ved hjelp av funksjonen 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 bruke @-operatoren for matrisesmultiplikasjon:


              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}")

Aggregeringsoperasjoner

Aggregeringsoperasjoner beregner sammendragsstatistikk fra tensorer, som sum, gjennomsnitt, maksimum og minimumsverdier, som kan beregnes ved hjelp av 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 parametere:

dim: angir dimensjonen (tilsvarende axis i NumPy) som operasjonen skal brukes på. Som standard, hvis dim ikke er angitt, brukes operasjonen på alle elementene i tensoren;
keepdim: et boolsk flagg (False som standard). Hvis satt til True, beholdes den reduserte dimensjonen som en dimensjon med størrelse 1 i resultatet, slik at det opprinnelige antallet dimensjoner bevares.


              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 muliggjør operasjoner mellom tensorer med ulike former ved å automatisk utvide dimensjonene. Hvis du trenger en repetisjon om broadcasting, finner du mer informasjon 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 funksjoner

PyTorch tilbyr også ulike matematiske funksjoner som eksponentialer, logaritmer og trigonometriske funksjoner.


              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()}")

Alt var klart?

Takk for tilbakemeldingene dine!

Seksjon 1. Kapittel 7

Matematiske Operasjoner med Tensorer

Elementvise operasjoner

Matriseoperasjoner

Aggregeringsoperasjoner

Broadcasting

Nyttige matematiske funksjoner

Awesome!

Matematiske Operasjoner med Tensorer

Elementvise operasjoner

Matriseoperasjoner

Aggregeringsoperasjoner

Broadcasting

Nyttige matematiske funksjoner