Tensor API 较多，所以把 运算 单独列出来，方便查看
乘法
t.mul(input, other, out=None)：矩阵乘以一个数
t.matmul(mat, mat, out=None)：矩阵相乘
t.mm(mat, mat, out=None)：基本上等同于 matmul
a=torch.randn(2,3) b=torch.randn(3,2) ### 等价操作 print(torch.mm(a,b)) # mat x mat print(torch.matmul(a,b)) # mat x mat ### 等价操作 print(torch.mul(a,3)) # mat 乘以 一个数 print(a * 3)
注意，乘法可以直接作用于单个数字
乘法需要符合 向量乘法 的规则，即尺寸匹配
a=torch.randn(2,3) c = torch.randn(2, 3) # print(torch.matmul(a, c)) # 尺寸不符合向量乘法，（2,3）x（2,3） print(torch.matmul(a, c.t())) # t() 转置，正确 （2,3）x（3,2）
加法
加法有 3 种方式：+，add，add_
import torch as t y = t.rand(2, 3) ### 使用[0，1]均匀分布构建矩阵 z = t.ones(2, 3) ### 2x3 的全 1 矩阵 #### 3 中加法操作等价 print(y + z) ### 加法1 t.add(y, z) ### 加法2 ### 加法的第三种写法 result = t.Tensor(2, 3) ### 预先分配空间 t.add(y, z, out=result) ### 指定加法结果的输出目标 print(result)
add_ 与 add 的区别在于，add 不会改变原来的 tensor，而 add_会改变原来的 tensor；
在 pytorch 中，方法后面加 _ 都会改变原来的对象，相当于 in-place 的作用
print(y) # tensor([[0.4083, 0.3017, 0.9511], # [0.4642, 0.5981, 0.1866]]) y.add(z) print(y) ### y 不变 # tensor([[0.4083, 0.3017, 0.9511], # [0.4642, 0.5981, 0.1866]]) y.add_(z) print(y) ### y 变了，相当于 inplace # tensor([[1.4083, 1.3017, 1.9511], # [1.4642, 1.5981, 1.1866]])
可以作用于单个数字或者 尺寸为 (1，1) 的 Tensor
a = t.ones(3, 3) print(a + 1) ### 可以直接作用于单个数字 b = t.ones(1, 1) print(a + b) c = t.ones(2, 1) # print(a + c) ### 报错，如果尺寸不匹配，c 的尺寸只能是 （1， 1）
减法
和加法一样，三种：-、sub、sub_
a = t.randn(2, 1) b = t.randn(2, 1) print(a) ### 等价操作 print(a - b) print(t.sub(a, b)) print(a) ### sub 后 a 没有变化 a.sub_(b) print(a) ### sub_ 后 a 也变了 c = 1 print(a - c) ### 直接作用于单个数字
其他运算
t.div(input, other, out=None)：除法
t.pow(input, other, out=None)：指数
t.sqrt(input, out=None)：开方
t.round(input, out=None)：四舍五入到整数
t.abs(input, out=None)：绝对值
t.ceil(input, out=None)：向上取整
t.clamp(input, min, max, out=None)：把 input 规范在 min 到 max 之间，超出用 min 和 max 代替，可理解为削尖函数
t.argmax(input, dim=None, keepdim=False)：返回指定维度最大值的索引
t.sigmoid(input, out=None)
t.tanh(input, out=None)
参考资料：