Pytorch学习之torch----Reduction Ops
1. torch.cumprod(input, dim, out=None)
说明: 返回输入沿指定维度的累积积。如果输入是一个N元向量,则结果也是一个N元向量,第i个输出元素值为 yi=x1∗x2∗...∗xiy_{i} = x_{1} * x_{2} * ... * x_{i}yi=x1∗x2∗...∗xi
参数:
- input(Tensor) ---- 输入张量
- dim(int) ---- 累积积操作的维度
- out(Tensor,可选) ---- 结果张量
>>> import numpy as np
>>> import torch
>>> a = np.array([1, 2, 3, 4, 5])
>>> b = torch.from_numpy(a)
>>> b
tensor([1, 2, 3, 4, 5], dtype=torch.int32)
>>> ret = torch.cumprod(b, dim=0)
>>> ret
tensor([ 1, 2, 6, 24, 120])
>>> b[2] = 0
>>> b
tensor([1, 2, 0, 4, 5], dtype=torch.int32)
>>> ret1 = torch.cumprod(b, dim=0)
>>> ret1
tensor([1, 2, 0, 0, 0])
2. torch.cumsum(input, dim, out=None)
说明: 返回输入沿指定维度的累积和。例如,如果输入是一个N元向量,则结果也是一个N元向量,第i个输出元素的值为yi=x1+x2+...+xiy_{i} = x_{1} + x_{2} + ... + x_{i}yi=x1+x2+...+xi
参数:
- input(Tensor) ---- 输入张量
- dim(int) ---- 累积和操作的维度
- out(Tensor,可选的) ---- 结果张量
>>> a = np.array([1, 2, 3, 4, 5])
>>> b = torch.from_numpy(a)
>>> ret = torch.cumsum(b, dim=0)
>>> ret
tensor([ 1, 3, 6, 10, 15])
3. torch.dist(input, other, p=2, out=None)
说明: 返回(input - other) 的p范数
参数:
- input(Tensor) ---- 左侧输入张量
- other(Tensor) ---- 右侧输入张量
- p(float,可选的) ---- 所计算的范数
- out(Tensor,可选的) ---- 结果张量
>>> x = torch.randn(4)
>>> x
tensor([0.1559, 0.7725, 0.8706, 0.3684])
>>> y = torch.randn(4)
>>> y
tensor([ 1.1464, 0.4444, 1.7968, -1.3197])
>>> torch.dist(x, y, 2)
tensor(2.1900)
4. torch.mean(input)
说明: 返回输入张量所有元素的均值
参数:
- input(Tensor) ---- 输入张量
>>> a = torch.randn(1, 3)
>>> a
tensor([[-2.0543, 1.6074, 0.2915]])
>>> torch.mean(a)
tensor(-0.0518)
5. torch.mean(input, dim, out=None)
说明: 返回输入张量给定维度dim上每行的均值。
参数:
- inptu(Tensor) ---- 输入张量
- dim(int) ---- 操作的维度
- out(Tensor,可选的) ---- 结果张量
>>> a
tensor([[ 1.2351, 0.7531, -1.2863],[-0.8551, -2.2716, 1.0863],[ 0.0343, 1.9529, 1.4611],[ 1.9935, 0.5430, -0.1580]])
>>> torch.mean(a, 1)
tensor([ 0.2340, -0.6801, 1.1494, 0.7928])
>>> torch.mean(a, 0)
tensor([0.6019, 0.2444, 0.2758])
6. torch.median(input, dim=-1, values=None, indices=None)
说明: 返回输入张量给定维度每行中的中位数,同时返回一个包含中位数的索引的LongTensor。dim值默认为输入张量的最后一维。
注意: 这个函数没有在torch.cuda.Tensor中定义
参数:
- input(Tensor) ---- 输入张量
- dim(int) ---- 缩减的维度
- values(Tensor,可选的) ---- 结果张量
- indices(Tensor,可选的) ---- 返回的索引结果张量
>>> a = torch.randn(4, 5)
>>> a
tensor([[-0.2479, -0.4734, 0.1368, 0.9601, 2.9435],[ 0.3210, 0.8147, 0.3052, -0.6380, 0.0879],[ 1.9500, 0.0926, 0.6948, -0.9723, -0.2437],[-0.7056, -0.4905, -0.2469, 0.3753, 1.6451]])
>>> torch.median(a, 1)
torch.return_types.median(
values=tensor([ 0.1368, 0.3052, 0.0926, -0.2469]),
indices=tensor([2, 2, 1, 2]))
7. torch.mode(input, dim=-1, values=None, indices=None)
说明: 返回给定维dim上,每行的众数值,同时返回一个LongTensor,包含众数的索引。dim默认为输入张量的最后一维。
参数:
- input(Tensor) ---- 输入张量
- dim(int) ---- 缩减的维度
- values(Tensor,可选的) ---- 结果的张量
- indices(Tensor,可选的) ---- 返回的索引张量
>>> a = torch.randn(5, 5)
>>> a
tensor([[-1.2427, -0.2035, 0.0828, -0.9490, 0.8610],[-0.5330, -1.0207, 1.2805, -0.2771, -0.1151],[-1.2495, 0.6887, -0.1247, 1.3126, -0.4973],[ 1.3097, 0.1821, -0.9910, -0.0591, -2.0153],[-1.0525, -0.0337, 1.2929, 1.4164, 1.3975]])
>>> torch.mode(a, 1)
torch.return_types.mode(
values=tensor([-1.2427, -1.0207, -1.2495, -2.0153, -1.0525]),
indices=tensor([0, 1, 0, 4, 0]))
8. torch.norm(input, p=2)
说明: 返回输入张量input的p范数
参数:
- input(Tensor) ---- 输入张量
- p(float,可选的) ---- 范数计算中的幂指数值
>>> a = torch.randn(1, 3)
>>> a
tensor([[-1.5397, -1.4304, -0.7689]])
>>> torch.norm(a, 3)
tensor(1.9158)
9. torch.norm(input, p, dim, out=None)
说明: 返回输入张量给定维度dim上每行的p范数。
参数:
- input(Tensor) ---- 输入张量
- p(float) ---- 范数计算中的幂指数值
- dim(int) ---- 缩减的维度
- out(Tenosr,可选的) ---- 结果张量
>>> a = torch.randn(4, 2)
>>> a
tensor([[-0.3436, -0.6034],[-0.2127, -0.0089],[ 1.7678, -1.0787],[-0.9961, -0.2598]])
>>> torch.norm(a, 2, 1)
tensor([0.6944, 0.2129, 2.0709, 1.0294])
>>> torch.norm(a, 0, 1)
tensor([2., 2., 2., 2.])
10. torch.prod(input)
说明: 返回输入张量input所有元素的积
参数:
- input(Tensor) ---- 输入张量
>>> a = torch.Tensor([1, 2, 3])
>>> torch.prod(a)
tensor(6.)
11. torch.prod(input, dim, out=None)
说明: 返回输入张量给定维度上每行的积。
参数:
- input(Tenosr) ---- 输入张量
- dim(int) ---- 缩减的维度
- out(Tensor,可选的) ---- 结果张量
>>> a = torch.randn(4, 2)
>>> a
tensor([[ 0.0593, 0.3449],[-0.0491, 0.2711],[-0.4155, -1.1968],[-0.6646, -0.9474]])
>>> torch.prod(a, 1)
tensor([ 0.0205, -0.0133, 0.4972, 0.6296])
>>> torch.prod(a, 0)
tensor([-0.0008, 0.1060])
12. torch.std(input)
说明: 返回输入张量input所有元素的标准差
参数:
- inut(Tensor) ---- 输入张量
>>> a = torch.randn(1, 3)
>>> a
tensor([[-0.2022, 1.9407, -0.1263]])
>>> torch.std(a)
tensor(1.2159)
13. torch.std(input, dim, out=None)
说明: 返回输入张量给定维度上每行的标准差。
参数:
- input(Tensor) ---- 输入张量
- dim(int)
>>> a = torch.randn(1, 3)
>>> a
tensor([[ 0.3646, 0.9681, -0.7199]])
>>> torch.std(a)
tensor(0.8554)
14. torch.std(input, dim, out=None)
说明: 返回输入给定维度上每行的标准差。
参数:
- input(Tensor) ---- 输入张量
- dim(int) ---- 缩减的维度
- out(Tensor,可选的) ---- 结果张量
>>> a = torch.randn(4, 4)
>>> a
tensor([[ 0.4083, -2.0872, -2.7175, 0.4151],[-0.1804, -1.9027, -0.6310, 0.3519],[-0.1215, 0.5891, 0.1468, -0.2249],[ 1.3558, 1.2970, 0.1988, 0.1279]])
>>> torch.std(a, dim=1)
tensor([1.6449, 0.9626, 0.3633, 0.6725])
15. torch.sum(input)
说明: 返回输入张量input所有元素的和。
参数:
- input(Tensor) ---- 输入张量
>>> a = torch.randn(1, 3)
>>> a
tensor([[-1.7710, -0.9921, -0.2817]])
>>> torch.sum(a)
tensor(-3.0449)
16. torch.sum(input, dim, out=None)
说明: 返回输入张量给定维度上每行的和,
参数:
- input(Tensor) ---- 输入张量
- dim(int) ---- 缩减的维度
- out(Tensor, 可选的) ---- 结果张量
>>> a = torch.randn(4, 4)
>>> a
tensor([[-0.6091, -0.5861, -0.2564, -0.3686],[-0.7146, 0.7276, -0.7998, 0.5817],[ 0.7700, -0.7373, 0.1708, -0.0295],[ 2.2606, 1.9379, -0.7269, 0.7523]])
>>> torch.sum(a, 1)
tensor([-1.8202, -0.2051, 0.1741, 4.2239])
>>> torch.sum(a, 0)
tensor([ 1.7069, 1.3422, -1.6123, 0.9359])
17. torch.var(input)
说明: 返回输入张量所有元素的方差
参数:
- input(Tensor) – 输入张量
>>> a = torch.randn(1, 4)
>>> a
tensor([[-0.7134, -1.1119, 1.0638, -0.0858]])
>>> torch.var(a)
tensor(0.9016)
18. torch.var(input, dim, out=None)
说明: 返回输入张量给定维度上每行的方差
参数:
- input(Tensor) ---- 输入张量
- dim(int) ---- 缩减维度
- out(Tensor,可选的) ---- 结果张量
>>> a = torch.randn(4, 4)
>>> a
tensor([[-0.0977, -0.2619, -0.3367, -0.5301],[ 0.8751, -0.2703, 1.2129, 0.5508],[ 1.1301, 0.6452, 0.5054, 0.3386],[ 0.2502, 1.4547, 1.0562, 0.4640]])
>>> torch.var(a, 1)
tensor([0.0322, 0.4036, 0.1161, 0.3031])
。
Pytorch学习之torch----Reduction Ops相关推荐
- 【Pytorch学习】torch.mm()torch.matmul()和torch.mul()以及torch.spmm()
目录 1 引言 2 torch.mul(a, b) 3 torch.mm(a, b) 4 torch.matmul() 5 torch.spmm() 参考文献 1 引言 做深度学习过程中免不了使用 ...
- pytorch学习 中 torch.squeeze() 和torch.unsqueeze()的用法
squeeze的用法主要就是对数据的维度进行压缩或者解压. 先看torch.squeeze() 这个函数主要对数据的维度进行压缩,去掉维数为1的的维度,比如是一行或者一列这种,一个一行三列(1,3)的 ...
- PyTorch 学习笔记(六):PyTorch hook 和关于 PyTorch backward 过程的理解 call
您的位置 首页 PyTorch 学习笔记系列 PyTorch 学习笔记(六):PyTorch hook 和关于 PyTorch backward 过程的理解 发布: 2017年8月4日 7,195阅读 ...
- Pytorch学习-torch.max()和min()深度解析
Pytorch学习-torch.max和min深度解析 max的使用 min同理 dim参数理解 二维张量使用max() 三维张量使用max() max的使用 min同理 参考链接: 参考链接: 对于 ...
- pytorch深度学习框架—torch.nn模块(一)
pytorch深度学习框架-torch.nn模块 torch.nn模块中包括了pytorch中已经准备好的层,方便使用者调用构建的网络.包括了卷积层,池化层,激活函数层,循环层,全连接层. 卷积层 p ...
- Pytorch 学习(6):Pytorch中的torch.nn Convolution Layers 卷积层参数初始化
Pytorch 学习(6):Pytorch中的torch.nn Convolution Layers 卷积层参数初始化 class Conv1d(_ConvNd):......def __init ...
- Pytorch学习 - Task6 PyTorch常见的损失函数和优化器使用
Pytorch学习 - Task6 PyTorch常见的损失函数和优化器使用 官方参考链接 1. 损失函数 (1)BCELoss 二分类 计算公式 小例子: (2) BCEWithLogitsLoss ...
- PyTorch学习笔记(三):PyTorch主要组成模块
往期学习资料推荐: 1.Pytorch实战笔记_GoAI的博客-CSDN博客 2.Pytorch入门教程_GoAI的博客-CSDN博客 本系列目录: PyTorch学习笔记(一):PyTorch环境安 ...
- PyTorch学习笔记2:nn.Module、优化器、模型的保存和加载、TensorBoard
文章目录 一.nn.Module 1.1 nn.Module的调用 1.2 线性回归的实现 二.损失函数 三.优化器 3.1.1 SGD优化器 3.1.2 Adagrad优化器 3.2 分层学习率 3 ...
- 【Pytorch学习笔记2】Pytorch的主要组成模块
个人笔记,仅用于个人学习与总结 感谢DataWhale开源组织提供的优秀的开源Pytorch学习文档:原文档链接 本文目录 1. Pytorch的主要组成模块 1.1 完成深度学习的必要部分 1.2 ...
最新文章
- Openstack_通用技术_RPC 远程异步调用
- Java Review - HashMap HashSet 源码解读
- DL之FAN:FAN人脸对齐网络(Face Alignment depth Network)的论文简介、案例应用之详细攻略
- 开源社区ITGeek介绍
- MySql数据库安装修改密码开启远程连接图解
- webservice 的datetime不能为null_用.net发布一个简单的webservice
- 08 / LiveVideoStack主编观察:开源RTC的机会来了吗?
- oracle .bash_profile在哪,oracle 11g 测试用户的 .bash_profile 环境变量,路径设置
- 语音识别asr是什么
- 华为MA5200G实现radius认证登陆
- php网站程序更新功能,运用PHP定时自动更新网站首页HTML的方法
- Chrome插件分享—不定期更新
- Spring 动态代理
- OpenCV MPR.DLL WNetRestoreConnectionA相关问题
- matlab按图像边缘抠图_Adobe Photoshop入门教程:零基础学会PS抠图拼贴
- jsp里table边框线_JSP表格边框颜色
- java 持久监听blockqueue的变化_Curator目录监听
- Docker基础之安装部署
- 霹雳火s毕老师_$_Java笔记(一)
- Apple 公司的电影预告片网站
热门文章
- matlab 模拟风,【Matlab实现】风场仿真
- MyEclipse使用Maven创建web项目+搭建SSM框架教
- 计算机魅力沈阳一日游教案,沈阳版小学信息技术教案五年级上册全册教案
- X~N(0,1),如何求E(X^2),E(X^4),E(X^n)
- 一份只有做错的人才能做对的作业
- 【渝粤教育】国家开放大学2018年秋季 2019T统计学原理 参考试题
- php 正态分布数据描述,正态分布-统计百科- 人大经济论坛-经管百科
- LeetCode:390. 消除游戏————中等
- 海康威视旗下萤石网络上市:首日跌12% 公司市值142亿
- 关于HBuilderX的简单介绍