<<小白学PyTorch>>

​​小白学PyTorch | 9 tensor数据结构与存储结构​​

​​小白学PyTorch | 8 实战之MNIST小试牛刀​​

​​小白学PyTorch | 7 最新版本torchvision.transforms常用API翻译与讲解​​

​​小白学PyTorch | 6 模型的构建访问遍历存储（附代码）​​

​​小白学PyTorch | 5 torchvision预训练模型与数据集全览​​

​​小白学PyTorch | 4 构建模型三要素与权重初始化​​

​​小白学PyTorch | 3 浅谈Dataset和Dataloader​​

​​小白学PyTorch | 2 浅谈训练集验证集和测试集​​

​​小白学PyTorch | 1 搭建一个超简单的网络​​

​​小白学PyTorch | 动态图与静态图的浅显理解​​

参考目录：

  • 1 矩阵与标量
  • 2 哈达玛积
  • 3 矩阵乘法
  • 4 幂与开方
  • 5 对数运算
  • 6 近似值运算
  • 7 剪裁运算

这一课主要是讲解PyTorch中的一些运算，加减乘除这些，当然还有矩阵的乘法这些。这一课内容不多，作为一个知识储备。在后续的内容中，有用PyTorch来获取EfficientNet预训练模型以及一个猫狗分类的实战任务教学，EfficientNet是13课，猫狗分类是14课，11课是MobileNet详解和PyTorch代码解析，12课是SENet详解和PyTorch代码解析（因为EfficientNet是基于这两个网络构成的）。再往后我计划整理一些这两年比较优秀的论文和代码，一些提升准确率的有效的技巧等，当然PyTorch的各种优化器我还没有细讲（不过一般都是SGDM了）。

希望大家喜欢这个系列~也真心希望大家可以帮忙宣传扩散给想学习PyTorch的朋友，小编在这里感谢各位了。

加减乘除就不多说了，+-*/

1 矩阵与标量

这个是矩阵（张量）每一个元素与标量进行操作。

import torch
a = torch.tensor([1,2])
print(a+1)
>>> tensor([2, 3])

2 哈达玛积

这个就是两个相同尺寸的张量相乘，然后对应元素的相乘就是这个哈达玛积，也成为element wise。

a = torch.tensor([1,2])
b = torch.tensor([2,3])
print(a*b)
print(torch.mul(a,b))
>>> tensor([2, 6])
>>> tensor([2, 6])

这个​​torch.mul()​​​和​​*​​是等价的。

当然，除法也是类似的：

a = torch.tensor([1.,2.])
b = torch.tensor([2.,3.])
print(a/b)
print(torch.div(a/b))
>>> tensor([0.5000, 0.6667])
>>> tensor([0.5000, 0.6667])

我们可以发现的​​torch.div()​​​其实就是​​/​​​, 类似的：​​torch.add​​​就是​​+​​​,​​torch.sub()​​​就是​​-​​,不过符号的运算更简单常用。

3 矩阵乘法

如果我们想实现线性代数中的矩阵相乘怎么办呢？

这样的操作有三个写法:

  • ​​torch.mm()​​
  • ​​torch.matmul()​​
  • ​​@​​，这个需要记忆，不然遇到这个可能会挺蒙蔽的
a = torch.tensor([1.,2.])
b = torch.tensor([2.,3.]).view(1,2)
print(torch.mm(a, b))
print(torch.matmul(a, b))
print(a @ b)

输出结果：

tensor([[2., 3.],
        [4., 6.]])
tensor([[2., 3.],
        [4., 6.]])
tensor([[2., 3.],
        [4., 6.]])

这是对二维矩阵而言的，假如参与运算的是一个多维张量，那么只有​​torch.matmul()​​可以使用。等等，多维张量怎么进行矩阵的惩罚？在多维张量中，参与矩阵运算的其实只有后两个维度，前面的维度其实就像是索引一样，举个例子：

a = torch.rand((1,2,64,32))
b = torch.rand((1,2,32,64))
print(torch.matmul(a, b).shape)
>>> torch.Size([1, 2, 64, 64])

可以看到，其实矩阵乘法的时候，看后两个维度： 乘上 ，得到一个 的矩阵。前面的维度要求相同，像是索引一样，决定哪两个 和 相乘。

小提示：

a = torch.rand((3,2,64,32))
b = torch.rand((1,2,32,64))
print(torch.matmul(a, b).shape)
>>> torch.Size([3, 2, 64, 64])

这样也是可以相乘的，因为这里涉及一个自动传播Broadcasting机制，这个在后面会讲，这里就知道，如果这种情况下，会把b的第一维度复制3次 ，然后变成和a一样的尺寸，进行矩阵相乘。

4 幂与开方 

print('幂运算')
a = torch.tensor([1.,2.])
b = torch.tensor([2.,3.])
c1 = a ** b
c2 = torch.pow(a, b)
print(c1,c2)
>>> tensor([1., 8.]) tensor([1., 8.])

和上面一样，不多说了。开方运算可以用torch.sqrt()，当然也可以用a**(0.5)。

5 对数运算

在上学的时候，我们知道ln是以e为底的，但是在pytorch中，并不是这样。

pytorch中log是以e自然数为底数的，然后log2和log10才是以2和10为底数的运算。

import numpy as np
print('对数运算')
a = torch.tensor([2,10,np.e])
print(torch.log(a))
print(torch.log2(a))
print(torch.log10(a))
>>> tensor([0.6931, 2.3026, 1.0000])
>>> tensor([1.0000, 3.3219, 1.4427])
>>> tensor([0.3010, 1.0000, 0.4343])

6 近似值运算

  • ​​.ceil()​​ 向上取整
  • ​​.floor()​​向下取整
  • ​​.trunc()​​取整数
  • ​​.frac()​​取小数
  • ​​.round()​​四舍五入
a = torch.tensor(1.2345)
print(a.ceil())
>>>tensor(2.)
print(a.floor())
>>> tensor(1.)
print(a.trunc())
>>> tensor(1.)
print(a.frac())
>>> tensor(0.2345)
print(a.round())
>>> tensor(1.)

7 剪裁运算

这个是让一个数，限制在你自己设置的一个范围内[min,max],小于min的话就被设置为min，大于max的话就被设置为max。这个操作在一些对抗生成网络中，好像是WGAN-GP,通过强行限制模型的参数的值。

a = torch.rand(5)
print(a)
print(a.clamp(0.3,0.7))

输出为：

tensor([0.5271, 0.6924, 0.9919, 0.0095, 0.0340])
tensor([0.5271, 0.6924, 0.7000, 0.3000, 0.3000])

- END -

【小白学PyTorch】10.pytorch常见运算详解_sms