Вивчайте Математичні Операції з Тензорами

Поелементні операції

Поелементні операції застосовуються до кожного елемента тензора окремо. Такі операції, як додавання, віднімання та ділення, працюють аналогічно до операцій у 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}")

Матричні операції

PyTorch також підтримує матричне множення та скалярний добуток, які виконуються за допомогою функції 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}")

Можна також використовувати оператор @ для множення матриць:


              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}")

Операції агрегації

Операції агрегації обчислюють зведену статистику з тензорів, такі як сума, середнє, максимальні та мінімальні значення, які можна обчислити за допомогою відповідних методів.


              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()}")

Методи агрегації також мають два необов’язкові параметри:

dim: визначає вимір (аналогічно до axis у NumPy), вздовж якого застосовується операція. За замовчуванням, якщо dim не вказано, операція застосовується до всіх елементів тензора;
keepdim: булевий прапорець (за замовчуванням False). Якщо встановлено у True, зменшений вимір зберігається як розмірність 1 у результаті, зберігаючи початкову кількість вимірів.


              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 дає змогу виконувати операції між тензорами різних форм шляхом автоматичного розширення вимірів. Якщо потрібне оновлення знань щодо broadcasting, детальніше можна ознайомитися тут.


              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}")

Корисні математичні функції

PyTorch також надає різноманітні математичні функції, такі як експоненти, логарифми та тригонометричні функції.


              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()}")

Все було зрозуміло?

Дякуємо за ваш відгук!

Секція 1. Розділ 7

Запитати АІ

Запитайте про що завгодно або спробуйте одне із запропонованих запитань, щоб почати наш чат

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?

Свайпніть щоб показати меню

Поелементні операції


              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}")

Матричні операції


              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}")

Можна також використовувати оператор @ для множення матриць:


              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}")

Операції агрегації


              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()}")

Методи агрегації також мають два необов’язкові параметри:

dim: визначає вимір (аналогічно до axis у NumPy), вздовж якого застосовується операція. За замовчуванням, якщо dim не вказано, операція застосовується до всіх елементів тензора;
keepdim: булевий прапорець (за замовчуванням False). Якщо встановлено у True, зменшений вимір зберігається як розмірність 1 у результаті, зберігаючи початкову кількість вимірів.


              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}")

Корисні математичні функції


              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()}")

Все було зрозуміло?

Дякуємо за ваш відгук!

Секція 1. Розділ 7

Математичні Операції з Тензорами

Поелементні операції

Матричні операції

Операції агрегації

Broadcasting

Корисні математичні функції

Awesome!

Математичні Операції з Тензорами

Поелементні операції

Матричні операції

Операції агрегації

Broadcasting

Корисні математичні функції