Torch计算方法
Torch 中的计算方法与 Numpy 的计算方法很类似；Torch中带 “下划线 ” 的操作，都是in-place的。
求和：
torch.sum() 对输入的 tensor 数据的某一维度求和；
１．torch.sum(input, dtype=None)
２．torch.sum(input, list: dim, bool: keepdim=False, dtype=None) → Tensor
input：输入一个tensor
dim：要求和的维度，可以是一个列表
keepdim：求和之后这个dim的元素个数为１，如果要保留，则keepdim=True
a = torch.ones((2, 3)) a1 = torch.sum(a) a2 = torch.sum(a, dim=0) -》 tensor([2., 2., 2.]) a3 = torch.sum(a, dim=1) -》 tensor([3., 3.])
keepdim=True 时会保持 dim 维度，不会被squeeze；
a1 = torch.sum(a, dim=(0, 1), keepdim=True) a2 = torch.sum(a, dim=(0,), keepdim=True) -》 tensor([[2., 2., 2.]]) a3 = torch.sum(a, dim=(1,), keepdim=True) -》 tensor([[3.], [3.]])
加法：
torch.add()：对两个张量进行相加，格式需相同，若格式不同则以复制的方式进行扩容后再相加。
add_() 均为in-place 形式，修改了对应变量中的数值。
x = torch.arange(1., 6.) a = torch.randn(4) b = torch.randn(4, 1) # alpha * b + a, 维度不够的地方自动扩容 print(torch.add(a, b, alpha=10)) p = torch.randn(4) q = torch.randn(4) p.add(q, alpha=10) p.add_(q, alpha=10)
均值：
mean()，dim=0 时按行求平均值，返回（1，列数）；dim=1 时按列求均值，返回（行数，1），default=None 时，返回所有元素的均值。
x = torch.arange(12).view(4, 3) ''' 注意：在这里使用的时候转一下类型，否则会报RuntimeError: Can only calculate the mean of floating types. Got Long instead.的错误。 查看了一下x元素类型是torch.int64,根据提示添加一句x=x.float()转为tensor.float32就行 ''' x = x.float() x_mean = torch.mean(x) x_mean0 = torch.mean(x, dim=0, keepdim=True) x_mean1 = torch.mean(x, dim=1, keepdim=True)
乘法：
mul() 与 multiply() 是同一个函数不同名称；
a = torch.randn((1, 2)) b = torch.randn((2, 1)) print(torch.mul(a, b))
matmul() ，张量乘法, 输入可以是高维数据。
dot()：input 和 output 的点乘，input 和 output 都必须是一维的张量（shape 属性中只有一个值）且元素个数相同。
mm()：实现线性代数中的矩阵乘法（matrix multiplication）：(n×m) × (m×p) = (n×p) 。
mv()：实现矩阵和向量（matrix × vector）的乘法，input 为 n×m，output 为一维张量。
减法：
torch.sub(input, other, *, alpha=1, out=None)
input：被减数，张量格式
other：减数
alpha：默认为 1
out：指定 torch.sub() 输出值被赋给的变量，可不指定。
是否有限：
num = torch.tensor(1) # 数字1
res = torch.isfinite(num) # True
num = torch.tensor(float('inf')) # 正无穷大
res = torch.isfinite(num) # False
是否为空：
res=torch.isnan(torch.tensor([1, float('inf'), 2, float('-inf'), float('nan')]))