1. 加法运算
示例代码：
import torch # 这两个Tensor加减乘除会对b自动进行Broadcasting a = torch.rand(3, 4) b = torch.rand(4) c1 = a + b c2 = torch.add(a, b) print(c1.shape, c2.shape) print(torch.all(torch.eq(c1, c2)))
输出结果：
torch.Size([3, 4]) torch.Size([3, 4]) tensor(1, dtype=torch.uint8)
2. 减法运算
示例代码：
a = torch.rand(3, 4) b = torch.rand(4) c1 = a - b c2 = torch.sub(a, b) print(c1.shape, c2.shape) print(torch.all(torch.eq(c1, c2)))
输出结果：
torch.Size([3, 4]) torch.Size([3, 4]) tensor(1, dtype=torch.uint8)
3. 哈达玛积(element wise，对应元素相乘)
示例代码：
c1 = a * b c2 = torch.mul(a, b) print(c1.shape, c2.shape) print(torch.all(torch.eq(c1, c2)))
输出结果：
torch.Size([3, 4]) torch.Size([3, 4]) tensor(1, dtype=torch.uint8)
4. 除法运算
示例代码：
c1 = a / b c2 = torch.div(a, b) print(c1.shape, c2.shape) print(torch.all(torch.eq(c1, c2)))
输出结果：
torch.Size([3, 4]) torch.Size([3, 4]) tensor(1, dtype=torch.uint8)
5. 矩阵乘法
（1）二维矩阵相乘
二维矩阵乘法运算操作包括torch.mm()、torch.matmul()、@，
示例代码：
import torch a = torch.ones(2, 1) b = torch.ones(1, 2) print(torch.mm(a, b).shape) print(torch.matmul(a, b).shape) print((a @ b).shape)
输出结果：
torch.Size([2, 2]) torch.Size([2, 2]) torch.Size([2, 2])
（2）多维矩阵相乘
对于高维的Tensor（dim>2），定义其矩阵乘法仅在最后的两个维度上，要求前面的维度必须保持一致，就像矩阵的索引一样并且运算操只有torch.matmul()。
示例代码：
c = torch.rand(4, 3, 28, 64) d = torch.rand(4, 3, 64, 32) print(torch.matmul(c, d).shape)
输出结果：
torch.Size([4, 3, 28, 32])
注意，在这种情形下的矩阵相乘，前面的"矩阵索引维度"如果符合Broadcasting机制，也会自动做广播，然后相乘。
示例代码：
c = torch.rand(4, 3, 28, 64) d = torch.rand(4, 1, 64, 32) print(torch.matmul(c, d).shape)
输出结果：
torch.Size([4, 3, 28, 32])
6. 幂运算
示例代码：
import torch a = torch.full([2, 2], 3) b = a.pow(2) # 也可以a**2 print(b)
输出结果：
tensor([[9., 9.],
[9., 9.]])
7. 开方运算
示例代码：
c = b.sqrt() # 也可以a**(0.5) print(c) d = b.rsqrt() # 平方根的倒数 print(d)
输出结果：
tensor([[3., 3.],
[3., 3.]])
tensor([[0.3333, 0.3333],
[0.3333, 0.3333]])
8.指数与对数运算
注意log是以自然对数为底数的，以2为底的用log2，以10为底的用log10
示例代码：
import torch a = torch.exp(torch.ones(2, 2)) # 得到2*2的全是e的Tensor print(a) print(torch.log(a)) # 取自然对数
输出结果：
tensor([[2.7183, 2.7183],
[2.7183, 2.7183]])
tensor([[1., 1.],
[1., 1.]])
9.近似值运算
示例代码：
import torch a = torch.tensor(3.14) print(a.floor(), a.ceil(), a.trunc(), a.frac()) # 取下,取上,取整数,取小数 b = torch.tensor(3.49) c = torch.tensor(3.5) print(b.round(), c.round()) # 四舍五入
输出结果：
tensor(3.) tensor(4.) tensor(3.) tensor(0.1400) tensor(3.) tensor(4.)
10. 裁剪运算
即对Tensor中的元素进行范围过滤，不符合条件的可以把它变换到范围内部（边界）上，常用于梯度裁剪（gradient clipping），即在发生梯度离散或者梯度爆炸时对梯度的处理，实际使用时可以查看梯度的（L2范数）模来看看需不需要做处理：w.grad.norm(2)。
示例代码：
import torch grad = torch.rand(2, 3) * 15 # 0~15随机生成 print(grad.max(), grad.min(), grad.median()) # 最大值最小值平均值 print(grad) print(grad.clamp(10)) # 最小是10,小于10的都变成10 print(grad.clamp(3, 10)) # 最小是3,小于3的都变成3;最大是10,大于10的都变成10
输出结果：
tensor(14.7400) tensor(1.8522) tensor(10.5734)
tensor([[ 1.8522, 14.7400, 8.2445],
[13.5520, 10.5734, 12.9756]])
tensor([[10.0000, 14.7400, 10.0000],
[13.5520, 10.5734, 12.9756]])
tensor([[ 3.0000, 10.0000, 8.2445],
[10.0000, 10.0000, 10.0000]])
以上这篇Pytorch Tensor基本数学运算详解就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持脚本之家。
