线性代数-张量算法的基本性质

给定任何相同形状的任意两个张量,任何按元素二元运算的结果都将是相同形状的张量

A = torch.arange(20, dtype=torch.float32).reshape(5, 4)
B = A.clone()  # 通过分配新内存,将A的一个副本分配给B
A, A + B

#输出结果

(tensor([[ 0.,  1.,  2.,  3.],
         [ 4.,  5.,  6.,  7.],
         [ 8.,  9., 10., 11.],
         [12., 13., 14., 15.],
         [16., 17., 18., 19.]]),
 tensor([[ 0.,  2.,  4.,  6.],
         [ 8., 10., 12., 14.],
         [16., 18., 20., 22.],
         [24., 26., 28., 30.],
         [32., 34., 36., 38.]]))

1、哈达玛积:两个矩阵按元素乘法

数学符号: ⊙

# 张量的 哈达玛积 
A * B

# 输出结果:
tensor([[  0.,   1.,   4.,   9.],
        [ 16.,  25.,  36.,  49.],
        [ 64.,  81., 100., 121.],
        [144., 169., 196., 225.],
        [256., 289., 324., 361.]])

2、将张量乘以或加上一个标量不会改变张量的形状,其中张量的每个元素都将与标量相加或相乘。

a = 2
X = torch.arange(24).reshape(2, 3, 4)
a + X, (a * X).shape

#输出结果

(tensor([[[ 2,  3,  4,  5],
          [ 6,  7,  8,  9],
          [10, 11, 12, 13]],
 
         [[14, 15, 16, 17],
          [18, 19, 20, 21],
          [22, 23, 24, 25]]]),
 torch.Size([2, 3, 4]))

  

二、降维

1、调用求和函数沿着所有的轴降低张量的维度,使它变为一个标量(也就是降维)

x = torch.arange(4, dtype=torch.float32)

# 可以发现x和x.sum()是开辟了两个不同的内存空间
print(id(x))
print(id(x.sum()))
x, x.sum()

#输出结果

1854494777472
1854494778496
(tensor([0., 1., 2., 3.]), tensor(6.))

#sum()函数可以表示任意形状张量的元素和
A.shape, A.sum()

#输出结果
(torch.Size([5, 4]), tensor(190.))

2、指定张量沿哪个轴来通过求和降低维度(按行、按列来生成输出向量)

print(A)

# axis=0:按行相加
# axis=1:按列相加
A_sum_axis0 = A.sum(axis=0)
A_sum_axis0, A_sum_axis0.shape

#输出结果

tensor([[ 0.,  1.,  2.,  3.],
        [ 4.,  5.,  6.,  7.],
        [ 8.,  9., 10., 11.],
        [12., 13., 14., 15.],
        [16., 17., 18., 19.]])
(tensor([40., 45., 50., 55.]), torch.Size([4]))


A_sum_axis1 = A.sum(axis=1)
A_sum_axis1, A_sum_axis1.shape

#输出结果

(tensor([ 6., 22., 38., 54., 70.]), torch.Size([5]))

3、沿着行和列矩阵求和,等价于对矩阵的所有元素进行求和

A.sum(axis=[0, 1])  # Same as `A.sum()`

#输出结果

tensor(190.)

4、求平均值

可以通过将总和除以元素总数来计算平均值,也可以直接调用函数

# A.mean():求平均值
# A.sum():求所有元素和
# A.numel():求元素个数
A.mean(), A.sum() / A.numel()

print(A.mean())
print(A.sum())
print(A.numel())

print(A.sum()/A.numel()==A.mean())

#输出结果

tensor(9.5000)
tensor(190.)
20
tensor(True)

5、可以沿着指定轴求平均值

print(A)
print(A.sum(axis=0))

print(A.shape[0])
A.mean(axis=0), A.sum(axis=0) / A.shape[0]

#输出结果

tensor([[ 0.,  1.,  2.,  3.],
        [ 4.,  5.,  6.,  7.],
        [ 8.,  9., 10., 11.],
        [12., 13., 14., 15.],
        [16., 17., 18., 19.]])
tensor([40., 45., 50., 55.])
5
(tensor([ 8.,  9., 10., 11.]), tensor([ 8.,  9., 10., 11.]))

  

三、非降维求和

1、在调用函数计算总和和均值时保持轴数不变

# axis=1:按列计算(左右关系)
# axis=0:按行计算(上下关系)

# 降维求和 
print(A.sum(axis=1)) #通过输出可以发现,数据是在一行内

# 通过keepdims=true,可以实现非降维求和
sum_A = A.sum(axis=1, keepdims=True)#通过输出可以发现,求和后任然保持两个轴
sum_A

#输出结果

tensor([ 6., 22., 38., 54., 70.])
tensor([[ 6.],
        [22.],
        [38.],
        [54.],
        [70.]])
#可以发现,axis是列向求和,结果没有降维

2、沿着某个轴计算元素的累计总和

调用consum函数,此函数不会沿任何轴降低输入张量的维度

print(A)

# 每个轴计算A元素的累加和

print(A.cumsum(axis=0))
print(A.cumsum(axis=1))
A.cumsum(axis=0)

#输出结果

tensor([[ 0.,  1.,  2.,  3.],
        [ 4.,  5.,  6.,  7.],
        [ 8.,  9., 10., 11.],
        [12., 13., 14., 15.],
        [16., 17., 18., 19.]])
tensor([[ 0.,  1.,  2.,  3.],
        [ 4.,  6.,  8., 10.],
        [12., 15., 18., 21.],
        [24., 28., 32., 36.],
        [40., 45., 50., 55.]])
tensor([[ 0.,  1.,  3.,  6.],
        [ 4.,  9., 15., 22.],
        [ 8., 17., 27., 38.],
        [12., 25., 39., 54.],
        [16., 33., 51., 70.]])
tensor([[ 0.,  1.,  2.,  3.],
        [ 4.,  6.,  8., 10.],
        [12., 15., 18., 21.],
        [24., 28., 32., 36.],
        [40., 45., 50., 55.]])

  

上一篇:numpy-统计排序


下一篇:线性代数。