深度学习笔记-3. 线性代数

线性代数基本操作

 # 求逆,A为张量
A.T
# 张量相乘
A*B
# 相加
A+B
# 求和
A.sum()
# 沿行求和，行为0，列为1
A.sum(axis=0)
# 沿行和列，等同于A.sum()
A.sum(axis=[0,1])
# 求均值，同“求和”
A.mean(axis=0)
# 非降维求和
A.sum(axis=0,keepdims=True)
# 沿轴累积求和
A.cumsum(axis=0)

点积

 # 两个向量对应元素相乘再求和，等同于 torch.sum(x * y)
# 可以用来做加权平均
x = torch.arange(4,dtype=torch.float32)
y = torch.ones(4,dtype=torch.float32)
x.dot(y)

向量积

 A = torch.arange(12).reshape(3,4)
x = torch.tensor([2,3,4,5])
torch.mv(A,x)   # tensor([ 6, 22, 38])

矩阵乘法

 A = torch.randn(5,4)
B = torch.randn(4,3)
torch.mm(A,B)

范数

 # L2范数： 假设维向量中的元素是x1,x2,x3...，其范数是向量元素平方和的平方根，同矩阵的Frobenius范数
u = torch.tensor([3.0, -4.0])
torch.norm(u)  # tensor(5.)
# L1范数：它表示为向量元素的绝对值之和
torch.abs(u).sum()

posted on 2024-07-22 15:45 朝朝暮Mu 阅读(5) 评论(0) 编辑收藏举报

刷新页面返回顶部

登录后才能查看或发表评论，立即登录或者逛逛博客园首页

相关博文：

· 深度学习笔记-2. 数据操作

· 深度学习笔记-4. 微积分

· 线性代数 -- pytorch

· 《深度学习》笔记第二章线性代数

· 深度学习入门（3）激活函数+线性代数

阅读排行：
· 震惊！C++程序真的从main开始吗？99%的程序员都答错了
· winform 绘制太阳，地球，月球运作规律
· 【硬核科普】Trae如何「偷看」你的代码？零基础破解AI编程运行原理
· 上周热点回顾（3.3-3.9）
· 超详细：普通电脑也行Windows部署deepseek R1训练数据并当服务器共享给他人

朝朝暮暮

深度学习笔记-3. 线性代数

导航

公告

统计

搜索

常用链接

随笔分类

随笔档案

阅读排行榜

评论排行榜

最新评论

	# 求逆,A为张量
	A.T
	# 张量相乘
	A*B
	# 相加
	A+B
	# 求和
	A.sum()
	# 沿行求和，行为0，列为1
	A.sum(axis=0)
	# 沿行和列，等同于A.sum()
	A.sum(axis=[0,1])
	# 求均值，同“求和”
	A.mean(axis=0)
	# 非降维求和
	A.sum(axis=0,keepdims=True)
	# 沿轴累积求和
	A.cumsum(axis=0)

	# 两个向量对应元素相乘再求和，等同于 torch.sum(x * y)
	# 可以用来做加权平均
	x = torch.arange(4,dtype=torch.float32)
	y = torch.ones(4,dtype=torch.float32)
	x.dot(y)

	A = torch.arange(12).reshape(3,4)
	x = torch.tensor([2,3,4,5])
	torch.mv(A,x) # tensor([ 6, 22, 38])

	# L2范数：假设维向量中的元素是x1,x2,x3...，其范数是向量元素平方和的平方根，同矩阵的Frobenius范数
	u = torch.tensor([3.0, -4.0])
	torch.norm(u) # tensor(5.)
	# L1范数：它表示为向量元素的绝对值之和
	torch.abs(u).sum()