[PyTroch系列-7]：PyTorch基础 - 张量的算术运算
作者主页(文火冰糖的硅基工坊)：https://blog.csdn.net/HiWangWenBing
本文网址：https://blog.csdn.net/HiWangWenBing/article/details/119428023
目录
第1章 Tensor运算概述
1.1 概述
1.3 “in place“运算
1.4 Tensor的广播机制: 不同维度的tensor实例运算
1.5 环境准备
1.6 算术运算概述：加、减、系数乘、系数除
第2章 加法运算：add
第3章 减法运算：subtract
第4章 乘法运算：multiply
第5章除法运算：divide
第6章 倒数运算：reciprocal()
第7章 幂运算：power()
第8章 广播机制
第1章 Tensor运算概述
1.1 概述
PyTorch提供了大量的张量运算，基本上可以对标Numpy多维数组的运算，以支持对张量的各种复杂的运算。
这些操作运算中大多是对数组中每个元素执行相同的函数运算，并获得每个元素函数运算的结果序列，这些序列生成一个新的同维度的数组。
https://pytorch.org/docs/master/torch.html
1.2 运算分类
（1）算术运算：加、减、系数乘、系数除
（2）函数运算：sin，cos
（3）取整运算：上取整、下取整
（4）统计运算：最大值、最小值、均值
（5）线性代数运算
1.3 “in place“运算
“in place“运算不是某个特定的函数运算，而是每个函数都有自己的“in place“运算的版本。
xxx_()：执行完该操作，直接修改tensor自身的值。
基本上，每个函数都有自己的in place版本。
如
torch.cos() =》torch.cos_()
torch.floor() =》torch.floor_()
1.4 Tensor的广播机制: 不同维度的tensor实例运算
1.5 环境准备
import numpy as np
import torch
print("Hello World")
print(torch.__version__)
print(torch.cuda.is_available())1.6 算术运算概述：加、减、系数乘、系数除
PyTorch算术函数包含简单的加减乘除运算: add()，subtract()，multiply() 和 divide()。
算术运算后得到的结果依然是是相同维度的数组。
第2章 加法运算：add
#代码实例
a = torch.arange(9)
print ('原数据a：')
print (a)
print ('\n')
b = torch.arange(9)
print ('原数据b：')
print (b)
print ('\n')
print ('运算后数据：')
print (a+b)
print (torch.add(a,b))
print (a.add(b))
print ('\n')
print (a)
print ('\n')
输出结果为：
原数据a：
tensor([0, 1, 2, 3, 4, 5, 6, 7, 8])
原数据b：
tensor([0, 1, 2, 3, 4, 5, 6, 7, 8])
运算后数据：
tensor([ 0, 2, 4, 6, 8, 10, 12, 14, 16])
tensor([ 0, 2, 4, 6, 8, 10, 12, 14, 16])
tensor([ 0, 2, 4, 6, 8, 10, 12, 14, 16])
tensor([0, 1, 2, 3, 4, 5, 6, 7, 8])
第3章 减法运算：subtract
#代码实例
a = torch.arange(1,10)
print ('原数据a：')
print (a)
print ('\n')
b = torch.arange(0,9)
print ('原数据b：')
print (b)
print ('\n')
print ('运算后数据：')
print (a-b)
print (torch.sub(a,b))
print (a.sub(b))
print ('\n')
print (a)
print ('\n')
#输出结果
原数据a：
tensor([1, 2, 3, 4, 5, 6, 7, 8, 9])
原数据b：
tensor([0, 1, 2, 3, 4, 5, 6, 7, 8])
运算后数据：
tensor([1, 1, 1, 1, 1, 1, 1, 1, 1])
tensor([1, 1, 1, 1, 1, 1, 1, 1, 1])
tensor([1, 1, 1, 1, 1, 1, 1, 1, 1])
tensor([1, 2, 3, 4, 5, 6, 7, 8, 9])
第4章 乘法运算：multiply
#代码实例
a = torch.Tensor([2,4,6,8,10,12])
print ('原数据a：')
print (a)
print ('\n')
b = torch.Tensor([2,4,6,8,10,12])
print ('原数据b：')
print (b)
print ('\n')
print ('运算后数据：')
print (a*b)
print (torch.multiply(a,b))
print (a.multiply(b))
print ('\n')
print (a)
print ('\n')
#输出结果
原数据a：
tensor([ 2., 4., 6., 8., 10., 12.])
原数据b：
tensor([ 2., 4., 6., 8., 10., 12.])
运算后数据：
tensor([ 4., 16., 36., 64., 100., 144.])
tensor([ 4., 16., 36., 64., 100., 144.])
tensor([ 4., 16., 36., 64., 100., 144.])
tensor([ 2., 4., 6., 8., 10., 12.])第5章除法运算：divide
#代码实例
a = torch.Tensor([2,4,6,8,10,12])
print ('原数据a：')
print (a)
print ('\n')
b = torch.Tensor([2,4,6,8,10,12])
print ('原数据b：')
print (b)
print ('\n')
print ('运算后数据：')
print (a/b)
print (torch.div(a,b))
print (a.div(b))
print ('\n')
print (a)
print ('\n')
#输出结果
原数据a：
tensor([ 2., 4., 6., 8., 10., 12.])
原数据b：
tensor([ 2., 4., 6., 8., 10., 12.])
运算后数据：
tensor([1., 1., 1., 1., 1., 1.])
tensor([1., 1., 1., 1., 1., 1.])
tensor([1., 1., 1., 1., 1., 1.])
tensor([ 2., 4., 6., 8., 10., 12.])
第6章 倒数运算：reciprocal()
reciprocal() 函数返回参数逐元素的倒数。如 1/4 倒数为 4/1。
#实例
a = torch.Tensor([2,4,5,8,10,20])
print("原数据a")
print(a)
#导数运算
print("运算数据")
print(1/a)
print(torch.reciprocal(a))
print(a.reciprocal())
print("原数据")
print (a)#输出结果为：
原数据
tensor([ 2., 4., 5., 8., 10., 20.])
倒数数据
tensor([0.5000, 0.2500, 0.2000, 0.1250, 0.1000, 0.0500])
tensor([0.5000, 0.2500, 0.2000, 0.1250, 0.1000, 0.0500])
tensor([0.5000, 0.2500, 0.2000, 0.1250, 0.1000, 0.0500])
原数据
tensor([ 2., 4., 5., 8., 10., 20.])第7章 幂运算：power()
power() 函数将第一个输入数组中的元素作为底数，计算它与第二个输入数组中相应元素的幂。
#实例
a = torch.Tensor([10,10,10,10,10])
b = torch.Tensor([1,2,3,4,5])
print("原数据a")
print(a)
print("原数据b")
print(b)
#导数运算
print("运算后数据")
#print(a^b)
print(torch.pow(a,b))
print(a.pow(b))
print("原数据a")
print (a)#输出结果为：
原数据a
tensor([10., 10., 10., 10., 10.])
原数据b
tensor([1., 2., 3., 4., 5.])
运算后数据
tensor([1.0000e+01, 1.0000e+02, 1.0000e+03, 1.0000e+04, 1.0000e+05])
tensor([1.0000e+01, 1.0000e+02, 1.0000e+03, 1.0000e+04, 1.0000e+05])
原数据a
tensor([10., 10., 10., 10., 10.])第8章 广播机制
当两个张量的维度不同，对他们进行运算时，需要对维度小的张量进行扩展，扩展成高纬度的张量，这个扩展的过程采用的是广播机制，即对低维度数据进行广播式（拷贝）扩展。
a = torch.arange(9).reshape(3,3)
print ('第一个数组：')
print (a)
print ('\n')
print ('第二个数组：')
b = np.array([10,10,10])
print (b)
print ('\n')
print ('两个数组相加：')
print (np.add(a,b))
print ('\n')输出结果：
第一个数组：
tensor([[0, 1, 2],
[3, 4, 5],
[6, 7, 8]])
第二个数组：
[10 10 10]
两个数组相加：
tensor([[10, 11, 12],
[13, 14, 15],
[16, 17, 18]])作者主页(文火冰糖的硅基工坊)：https://blog.csdn.net/HiWangWenBing
本文网址：https://blog.csdn.net/HiWangWenBing/article/details/119428023
