Pytorch学习之torch----数学操作(三)
1. torch.reciprocal(input, out=None)
说明:返回一个新张量,包含输入input张量每个元素的倒数。
参数:
- input(Tensor) -- 输入张量
- out(Tensor, 可选) -- 输出张量
>>> a = torch.randn(5)
>>> a
tensor([ 0.6535, 1.3616, -1.6167, -0.0142, 0.0186])
>>> torch.reciprocal(a)
tensor([ 1.5303, 0.7345, -0.6186, -70.6554, 53.8015])
2. torch.remainder(input, divisor, out=None)
说明:返回一个新张量,包含输入input张量每个元素的除法余数。除数与被除数可能同时包含整数或浮点数,余数与除数有相同的符号
参数:
- input(Tensor) -- 被除数
- divisor(Tensor or float) -- 除数,一个数或者与除数相同大小的张量
- out(Tensor,可选) -- 输出张量
>>> torch.remainder(torch.Tensor([-3, -2, -1, 1, 2, 3]), 2)
tensor([1., 0., 1., 1., 0., 1.])
3. torch.round(input, out=None)
说明:返回一个新张量,将输入input张量每个元素舍入到最近的整数
参数:
- input(Tensor) -- 输入张量
- out(Tensor,可选) -- 输出张量
>>> a = torch.randn(4)
>>> torch.round(a)
tensor([-0., 1., -1., 0.])
4. torch.rsqrt(input, out=None)
说明:返回一个新张量,包含输入input张量每个元素的平方根倒数。
参数:
- input(Tensor) -- 输入张量
- out(Tensor,可选0 -- 输出张量
>>> a = torch.randn(4)
>>> a
tensor([ 0.0934, 0.2079, -0.4841, -3.2004])
>>> torch.rsqrt(a)
tensor([3.2716, 2.1930, nan, nan])
5. torch.sigmoid(input, out=None)
说明:返回一个新张量,包含输入input张量每个元素的sigmoid值
参数:
- input(Tensor) -- 输入张量
- out(Tensor,可选) -- 输出张量
>>> a = torch.randn(4)
>>> a
tensor([ 0.6220, 0.4341, -0.5248, 0.8342])
>>> torch.sigmoid(a)
tensor([0.6507, 0.6068, 0.3717, 0.6973])
6. torch.sign(input, out=None)
说明:符号函数,返回一个新张量,包含输入input张量每个元素的正负
参数:
- input(Tensor) -- 输入张量
- out(Tensor,可选) -- 输出张量
>>> a = torch.randn(4)
>>> a
tensor([ 0.1224, 0.6647, -0.3843, 1.2878])
>>> torch.sign(a)
tensor([ 1., 1., -1., 1.])
7. torch.sin(input, out=None)
说明:返回一个新张量,包含输入input张量每个元素的正弦。
参数:
- input(Tensor) -- 输入张量
- out(Tensor, 可选) -- 输出张量
>>> a = torch.randn(4)
>>> torch.sin(a)
tensor([-0.8258, -0.8077, -0.5048, 0.9997])
8. torch.sinh(input, out=None)
说明:返回一个新张量,包含输入input张量每个元素的双曲正弦
参数:
- input(Tensor) -- 输入张量
- out(Tensor,可选) -- 输出张量
>>> a = torch.randn(4)
>>> a
tensor([ 1.1792, -1.0052, -0.2577, -0.1537])
>>> torch.sinh(a)
tensor([ 1.4722, -1.1833, -0.2605, -0.1543])
9. torch.sqrt(input, out=None)
说明:返回一个新张量,包含输入input张量每个元素的平方根
参数:
- input(Tensor) -- 输入张量
- out(Tensor, 可选) -- 输出张量
>>> a = torch.randn(4)
>>> a
tensor([ 0.3252, -0.8610, -1.1563, -0.2361])
>>> torch.sqrt(a)
tensor([0.5703, nan, nan, nan])
10. torch.tan(input, out=None)
说明:返回一个新张量,包含输入input张量每个元素的正切。
参数:
- input(Tensor) -- 输入张量
- out(Tensor, 可选) -- 输出张量
>>> a = torch.randn(4)
>>> a
tensor([-0.4005, -0.2229, -1.4596, -0.7481])
>>> torch.tan(a)
tensor([-0.4233, -0.2267, -8.9521, -0.9280])
11. torch.tanh(input, out=None)
说明:返回一个新张量,包含输入input张量每个元素的双曲正切
参数:
- input(Tensor) -- 输入张量
- out(Tensor,可选) -- 输出张量
>>> a = torch.randn(4)
>>> torch.tanh(a)
tensor([-0.2677, 0.7824, 0.0271, -0.0853])
12. torch.trunc(input, out=None)
说明:返回一个新张量,包含输入张量每个元素的截断值(标量x的截断值是最接近其的整数)
参数:
- input(Tensor) -- 输入张量
- out(Tensor,可选) -- 输出张量
>>> a = torch.randn(4)
>>> a
tensor([-0.1385, -0.7681, 0.4294, 0.4270])
>>> torch.trunc(a)
tensor([-0., -0., 0., 0.])
Pytorch学习之torch----数学操作(三)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 ...
- 少儿编程Scratch学习教程5--基本操作(二)动画例子
本篇介绍下动画相关例子 1.表情的转换 首先创建一个精灵角色 之后在外观选项中,选择"将造型切换为...",这样就可以在特定情况下就可以更换造型了 添加一个事件,当按下" ...
- 少儿编程Scratch学习教程4--基本操作(一)特效例子
为了知道Scrtach可以在我们今后的编程中提供哪些功能.接下来我们分几篇介绍一些例子,熟悉Scratch的基本操作. 1.特效展示例子 首先创建一个角色,我选择了一个红色的苹果 在外观脚本里有很多可 ...
- 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-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总结一之 数据操作、类型转换、数学计算、自动求梯度
Pytorch总结一 在PyTorch中, torch.Tensor 是存储和变换数据的主要⼯具.如果你之前⽤过NumPy,你会发现Tensor 和NumPy的多维数组⾮常类似.然⽽, Tensor ...
最新文章
- React拾遗:Render Props及其使用场景
- c语言查找字符串au,几个C语言词汇不懂,望老鸟们相助(俺是新手哦)
- 2002勘察设计收费标准_上海装修设计师的收费标准是什么?
- 《交互式程序设计 第2版》一2.2 代码的本质
- 网页特效offset、client、scroll系列属性的作用
- idea 使用神坑之索引篇(自定义不创建索引文件夹)
- [项目过程中所遇到的各种问题记录]编辑器篇——使用FCKeditor生成静态分页HTML...
- mysql autoconf_MySQL_用Autoconf检测MySQL软件包的教程,在你的程序(或者工程)中,如 - phpStudy...
- 【计算理论】图灵机 ( 图灵机设计 )
- dotnet publish 不生成pdb文件
- 【超详细】MySQL零基础入门实战
- FLOTHERM 10.1软件热分析仿真基础培训 风冷 水冷 自冷视频教程
- windows server 2012 r2 搭建企业文件共享存储
- “打工与创业”普通人该怎么选择;唯有创业才能改变命运实现财务自由。丨国仁网络资讯
- 提高linux上socket的性能(linux优化),提高 Linux 上 socket 性能
- 【论文摘要】一种基于NSPD-DCT域变参数混沌映射的零水印新方案
- ios客户端学习笔记(六):iOS客户端的工作流程
- 索引器(Indexer)
- Mysql-DQL基本语法
- java毕设项目开源了,springboot+bootstrap的仿天猫商城系统
热门文章
- 微信小程序如何快速搭建服务器?
- 什么软件可以提取扫描文件上的文字
- Linux/AIX/Freebsd配置宁盾DKEY动态口令登录认证
- 【点云论文速读】基于优化的视觉惯导里程计与GPS的紧耦合的融合方案
- 自制感光法印制PCB(干货)-激光雕刻丝印层
- 速戳,用户管理体系的搭建全攻略
- 02. 导入照片到Capture One
- 联想微型计算机如何更改主题,联想vibe怎么更换主题 联想vibe主题更换方法【图文】...
- La Salle-Pui Ching Programming Challenge 培正喇沙編程挑戰賽 2017
- 思维模型——贝索斯的遗憾最小化模型