Pytorch 中的向量运算

在本文中，我们将讨论 PyTorch 中的向量操作。向量是一维张量，用于操作数据。向量运算有不同的类型，例如数学运算、点积和线性空间。

PyTorch 是一个优化的张量库，主要用于使用 GPU 和 CPU 的深度学习应用程序。它是广泛使用的机器学习库之一，其他还有 TensorFlow 和 Keras。

我们可以使用torch.tensor()函数创建一个向量

句法：

torch.tensor([value1,value2,.value n])

其中 values 是将输入作为列表的输入值

例子：

Python3

# importing pytorch module
import torch
 
# create an vector
A = torch.tensor([7058, 7059, 7060, 7061, 7062])
 
# display
print(A)

输出：

tensor([7058, 7059, 7060, 7061, 7062])

现在让我们讨论张量支持的每个向量操作。

算术运算

该过程非常简单，只需创建两个向量并对它们执行操作，就像对两个常规变量执行它们一样。

例子：

蟒蛇3

# importing pytorch module
import torch
 
# create an vector A
A = torch.tensor([58, 59, 60, 61, 62])
 
# create an vector B
B = torch.tensor([100, 120, 140, 160, 180])
 
# add two vectors
print("Addition of two vectors:", A+B)
 
# subtract two vectors
print("subtraction of two vectors:", A-B)
 
# multiply two vectors
print("multiplication of two vectors:", A*B)
 
# multiply two vectors
print("multiplication of two vectors:", A*B)
 
# divide two vectors
print("division of two vectors:", A/B)
 
# floor divide two vectors
print("floor division of two vectors:", A//B)
 
# modulous of two vectors
print("modulous operation of two vectors:", A % B)
 
# power of two vectors
print("power operation of two vectors:", A**B)

输出：

Addition of two vectors: tensor([158, 179, 200, 221, 242])

subtraction of two vectors: tensor([ -42,  -61,  -80,  -99, -118])

multiplication of two vectors: tensor([ 5800,  7080,  8400,  9760, 11160])

multiplication of two vectors: tensor([ 5800,  7080,  8400,  9760, 11160])

division of two vectors: tensor([0.5800, 0.4917, 0.4286, 0.3812, 0.3444])

floor division of two vectors: tensor([0, 0, 0, 0, 0])

modulous operation of two vectors: tensor([58, 59, 60, 61, 62])

power operation of two vectors: tensor([  0, -4166911448072485343,  0,8747520307384418433,  0])

一元运算

它类似于算术运算，只是另一个向量部分被一个常数代替。

例子：

蟒蛇3

# importing pytorch module
import torch
 
# create an vector A
A = torch.tensor([58, 59, 60, 61, 62])
 
# divide vector by 2
print(A/2)
 
# multiply vector by 2
print(A*2)
 
# subtract  vector by 2
print(A-2)

输出：

tensor([29.0000, 29.5000, 30.0000, 30.5000, 31.0000])

tensor([116, 118, 120, 122, 124])

tensor([56, 57, 58, 59, 60])

点积

dot() 用于获取点积。考虑中的向量只需要传递给它。

句法：

torch.dot(vector1,vector2)  

例子：

蟒蛇3

# importing pytorch module
import torch
 
# create an vector A
A = torch.tensor([58, 59, 60, 61, 62])
 
# create an vector B
B = torch.tensor([8, 9, 6, 1, 2])
 
# dot product of the two vectors
print(torch.dot(A, B))

输出：

tensor(1540)

线性空间函数

linspace 用于在给定空间中线性排列数据。它在 torch 包中可用，使用带有 start 和 end 值的 linspace()函数就足够了。

语法：

torch.linspace(start,end)  

其中 start 是起始值，end 是结束值。

例子

蟒蛇3

# importing pytorch module
import torch
 
# arrange the elements from 2 to 10
print(torch.linspace(2, 10))

输出：

在二维坐标系上绘制函数

linspace函数用于在二维坐标系上绘制函数。对于 x 轴，我们以 2.5 的间隔创建一个从 0 到 10 的土地空间，Y 将是每个 x 值的函数。

示例 1： sin函数

蟒蛇3

#import pytorch
import torch
 
#import numpy
import numpy as np
 
#import matplotlib
import matplotlib.pyplot as plt
 
# create lin space from 1 to 12
x = torch.linspace(1, 12)
 
# sin function
y = torch.sin(x)
 
# plot
plt.plot(x.numpy(), y.numpy())
 
# display
plt.show()

输出：

示例 2： cos函数

蟒蛇3

#import pytorch
import torch
 
#import numpy
import numpy as np
 
#import matplotlib
import matplotlib.pyplot as plt
 
# create lin space from 1 to 12
x = torch.linspace(1, 12)
 
# cos function
y = torch.cos(x)
 
# plot
plt.plot(x.numpy(), y.numpy())
 
# display
plt.show()

输出：

示例 3： tan()函数

蟒蛇3

#import pytorch
import torch
 
#import numpy
import numpy as np
 
#import matplotlib
import matplotlib.pyplot as plt
 
# create lin space from 1 to 12
x = torch.linspace(1, 12)
 
# tan function
y = torch.tan(x)
 
# plot
plt.plot(x.numpy(), y.numpy())
 
# display
plt.show()

输出：