torch.mean()和torch.pow()怎么使用

本篇內(nèi)容主要講解“torch.mean()和torch.pow()怎么使用”，感興趣的朋友不妨來看看。本文介紹的方法操作簡單快捷，實用性強(qiáng)。下面就讓小編來帶大家學(xué)習(xí)“torch.mean()和torch.pow()怎么使用”吧!

torch.randn()

產(chǎn)生大小為指定的，正態(tài)分布的采樣點，數(shù)據(jù)類型是tensor

torch.mean()

torch.mean(input) 輸出input 各個元素的的均值，不指定任何參數(shù)就是所有元素的算術(shù)平均值，指定參數(shù)可以計算每一行或者 每一列的算術(shù)平均數(shù)

例如：

a=torch.randn(3) #生成一個一維的矩陣

b=torch.randn(1,3) #生成一個二維的矩陣

print(a)

print(b)

torch.mean(a)

結(jié)果：

tensor([-1.0737, -0.8689, -0.9553])
tensor([[-0.4005, -0.6812,  0.0958]])

tensor(-0.9659)

如果指定參數(shù)的話，

a=torch.randn(4,4)

print(a)

c=torch.mean(a,dim=0,keepdim=True)

print(c)

d=torch.mean(a,dim=1,keepdim=True)

print(d)

結(jié)果：

tensor([[ 0.2378, -1.1380,  0.7964, -0.1413],
        [ 0.4622, -1.7003, -1.1628,  0.8930],
        [-2.0379, -1.7137,  0.6423, -0.2026],
        [ 0.3512, -0.1251, -0.8315,  2.2642]])

tensor([[-0.2467, -1.1693, -0.1389,  0.7033]])

tensor([[-0.0612],
        [-0.3770],
        [-0.8280],
        [ 0.4147]])

可以看到dim指定為1時，求得是行的平均值，指定為0時，求得是列的平均值。

torch.pow()

對輸入的每分量求冪次運算

a=torch.tensor(3)

b=torch.pow(a,2)

print(b)

c=torch.randn(4)

print(c)

d=torch.pow(c,2)

print(d)

結(jié)果：

tensor(9)
tensor([ 0.0923,  0.7006, -0.2963,  0.6543])
tensor([0.0085, 0.4909, 0.0878, 0.4282])

torch.matmul()

torch.matmul 是做矩陣乘法

例如：

a=torch.tensor([1,2,3])

b=torch.tensor([3,4,5])

torch.matmul(a, b)

結(jié)果：

tensor(26)

torch.ones_like()

torch.ones_like(input, dtype=None, layout=None, device=None, requires_grad=False) → Tensor

返回一個填充了標(biāo)量值1的張量，其大小與之相同 input。

我是在Pytorch自動求導(dǎo)中第一次發(fā)現(xiàn)此方法的，

例如：

import torch

from torch.autograd import Variable

m = Variable(torch.FloatTensor([[2, 3]]), requires_grad=True) # 構(gòu)建一個 1 x 2 的矩陣

n = Variable(torch.zeros(1, 2)) # 構(gòu)建一個相同大小的 0 矩陣

print(m)

print(n)

# 通過 m 中的值計算新的 n 中的值

n[0, 0] = m[0, 0] ** 2

n[0, 1] = m[0, 1] ** 3

print(n[0,0])

print(n)

結(jié)果：

tensor([[2., 3.]], requires_grad=True)
tensor([[0., 0.]])
tensor(4., grad_fn=<SelectBackward>)
tensor([[ 4., 27.]], grad_fn=<CopySlices>)

n.backward(torch.ones_like(n))

# 相當(dāng)于n.backward(torch.FloatTensor([[1,1]]))

print(m.grad)

結(jié)果：

tensor([[ 4., 27.]])

到此，相信大家對“torch.mean()和torch.pow()怎么使用”有了更深的了解，不妨來實際操作一番吧！這里是億速云網(wǎng)站，更多相關(guān)內(nèi)容可以進(jìn)入相關(guān)頻道進(jìn)行查詢，關(guān)注我們，繼續(xù)學(xué)習(xí)！