【小白学PyTorch】10.pytorch常见运算详解
<<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])
往期精彩回顾
适合初学者入门人工智能的路线及资料下载机器学习及深度学习笔记等资料打印机器学习在线手册深度学习笔记专辑《统计学习方法》的代码复现专辑
AI基础下载机器学习的数学基础专辑获取一折本站知识星球优惠券，复制链接直接打开：https://t.zsxq.com/662nyZF本站qq群704220115。加入微信群请扫码进群（如果是博士或者准备读博士请说明）：