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 ...