人工智能学习Pytorch进阶操作教程

目录

• 一、合并与分割
• 1.cat拼接
• 2.stack堆叠
• 3.拆分
• ①Split按长度拆分
• ②Chunk按数量拆分
• 二、基本运算
• 1.加减乘除
• 2.矩阵相乘
• 3.次方计算
• 4. clamp
• 三、属性统计
• 1.求范数
• 2.求极值、求和、累乘
• 3. dim和keepdim
• 4.topk和kthsidkDDvalue
• 5.比较运算
• 6.高阶操作
• ①where
• ②gather

一、合并与分割

1.cat拼接

直接按照指定的dim维度进行合并，要编程客栈求除了所需要合并的维度之外，其他的维度需要是一样的

2.stack堆叠

例：此处创建一个和a一样的tensor，按照某一维度进行stack，就会在堆叠的维度前面，生成一个新的维度，用以进行选择，比如新生成了一个2维，就可以通过0,1进行选择。具体是什么意义，取决于实际的问题。

比如两个班成绩单用stack合并，生成的新维度，就可以选编程客栈择0或1来选择这个新维度，从而达到选择班级的目的。

3.拆分

①Split按长度拆分

第一个参数可以是单独的数字a，意思是每一个拆分出来的部分有a个数据；可以是一个类似list的对象b，意思是把数据按照b里面的方式拆分，拆分成len(b)个tensor。

②Chunk按数量拆分

传入的第一个参数就是拆成几个chunk，然后把原来的维度除以这个数量即可。

比如下面的例子，原来维度是[2,32,8]，chunk参数传入2，就需要拆成2个，则2/2=1，最终每一个的维度变为[1,32,8]。

二、基本运算

1.加减乘除

和numpy中的一致。也可以使用torch.add等方法。

2.矩阵相乘

注意，*就是元素与元素相乘，而矩阵相乘可以用以下两种：torch.matmul，@

如果是高维矩阵相乘，计算的其实就是最后的两个维度的矩阵乘法。

3.次方计算

和numpy中一致，可以使用**来计算任意次方。此外.pow()也可以计算。

指数和对数计算也基本一致，log默认是以e为底的。

4. clamp

通常用于当出现梯度过大等情况时，对梯度进行裁剪。通过输入最大最小值，目标中超出最大值的按最大值来；低于最小值的按最小值来。

三、属性统计

1.求范数

注意一点：求哪个维度的范数，哪个维度就会被消掉。

2.求极值、求和、累乘

3. dim和keepdim

在很多http://www.cppcns.com方法中，都可以对dim进行设置。如果不设置，就是把所有数据展开后，求全局的。

注意这里的dim，a的形状是[4,10]，求最大值时，如果设置dim=1，也就是列，个人理解，意思是结果的维度需要是列，那么就是把整行的数值进行计算找最大值，最后返回一个列作为结果。

4.topk和kthvalue

topk参数：k(前k个最大值)，dim（以dim的维度返回结果）

这个方法默认的是返回的最大值，同时会返回它们的索引。

kthvalue参数：k(第k小的值)，dim

5.比较运算

和Numpy中的一致。如果使用torch.eq方法，返回每个对应位置的结果；如果http://www.cppcns.com使用torch.equal方法，返回的是整体对比的结果。

6.高阶操作

①where

②gather

索引行数小于等于表的行数。也就是说，既然要用索引来去找表中的内容，就不能超过表的索引长度。索引在传入gather方法中的时候，必须要转换成Long的类型。

举例如下：

返回值的形状一定是索引的形状，因为就是按照索引去取的值。返回值的内容就来自于输入的input，根据索引获得的对应的值。

以上就是人工智能学习Pytorch进阶操作教程的详细内容，更多关于PyTorch进阶的资料请关注我们其它相关文章！