锦州网站建设信息淘宝seo优化是什么

3.线性代数

（1）向量维数和张量维数的区别：

(2)普通矩阵乘法：

要求左矩阵的列数等于右矩阵的行数

import torch
​
# 创建两个矩阵
A = torch.tensor([[1, 2], [3, 4]], dtype=torch.float32)
B = torch.tensor([[5, 6], [7, 8]], dtype=torch.float32)
​
# 使用 torch.matmul() 进行矩阵乘法
result1 = torch.matmul(A, B)
print("使用 torch.matmul() 的结果:")
print(result1)
​
# 使用 @ 运算符进行矩阵乘法
result2 = A @ B
print("使用 @ 运算符的结果:")
print(result2)
>>> B = torch.ones(4, 3)
>>> torch.mm(A,B)
tensor([[ 6.,  6.,  6.],[22., 22., 22.],[38., 38., 38.],[54., 54., 54.],[70., 70., 70.]])
>>> B
tensor([[1., 1., 1.],[1., 1., 1.],[1., 1., 1.],[1., 1., 1.]])
>>> A
tensor([[ 0.,  1.,  2.,  3.],[ 4.,  5.,  6.,  7.],[ 8.,  9., 10., 11.],[12., 13., 14., 15.],[16., 17., 18., 19.]])
​

• torch.mm 只能处理二维张量的矩阵乘法。

• torch.matmul 更加灵活，它可以处理多种情况，包括二维矩阵乘法、批量矩阵乘法等。例如，当输入是三维张量时，torch.matmul 会按照批量矩阵乘法的规则进行计算，而 torch.mm 则会报错。

（3）逐元素乘法（Hadamard 积）

要求两个矩阵的形状完全相同，对应位置的元素相乘.

用*号，就像加法一样，加法也是逐元素加法

import torch
​
# 创建两个矩阵
A = torch.tensor([[1, 2], [3, 4]], dtype=torch.float32)
B = torch.tensor([[5, 6], [7, 8]], dtype=torch.float32)
​
# 逐元素乘法
result = A * B
print("逐元素乘法的结果:")
print(result)

（4）范数：

一个向量空间 V 上的范数是一个函数 ∥⋅∥:V→R，它满足以下性质：

1. 非负性：对于所有 v∈V，有 ∥v∥≥0，且 ∥v∥=0 当且仅当 v=0。

2. 齐次性：对于所有 v∈V 和所有标量 c，有 ∥cv∥=∣c∣∥v∥。

3. 三角不等式：对于所有 u,v∈V，有 ∥u+v∥≤∥u∥+∥v∥。

（5）降维：

 # 创建一个二维张量A = torch.tensor([[1, 2], [3, 4]], dtype=torch.float32)A
tensor([[1., 2.],[3., 4.]])
​# 沿着第 0 维（列方向，垂直方向）求和sum_along_dim0 = torch.sum(A, dim=0)print("沿着第 0 维求和的结果:", sum_along_dim0)
#沿着第 0 维求和的结果: tensor([4., 6.])
​# 沿着第 1 维（行方向，水平方向）求和sum_along_dim1 = torch.sum(A, dim=1)print("沿着第 1 维求和的结果:", sum_along_dim1)
#沿着第 1 维求和的结果: tensor([3., 7.])
​# 对于更高维度的张量，例如三维张量B = torch.tensor([[[1, 2], [3, 4]],[[5, 6], [7, 8]]], dtype=torch.float32)B
tensor([[[1., 2.],[3., 4.]],
​[[5., 6.],[7., 8.]]])# 沿着第 0 维（这里是堆叠维度）求和sum_B_along_dim0 = torch.sum(B, dim=0)print("三维张量沿着第 0 维求和的结果形状:", sum_B_along_dim0.shape)
#三维张量沿着第 0 维求和的结果形状: torch.Size([2, 2])

​

实际应用场景:

• 图像数据处理：在处理图像数据时，图像通常表示为三维张量（高度、宽度、通道数）。如果我们想将图像的颜色通道信息进行合并，可以沿着通道维度求和，将三维图像张量降为二维。

• 序列数据处理：在处理序列数据（如文本）时，序列通常表示为二维或更高维的张量。沿着序列长度维度求和，可以将序列信息进行聚合，得到整个序列的综合表示。

还可以通过求平均数进行降维：

>>> A = torch.arange(20, dtype=torch.float32).reshape(5, 4)
>>> A
tensor([[ 0.,  1.,  2.,  3.],[ 4.,  5.,  6.,  7.],[ 8.,  9., 10., 11.],[12., 13., 14., 15.],[16., 17., 18., 19.]])
>>> A_sum_axis0 = A.sum(axis=0)
>>> A_sum_axis0,A_sum_axis0.shape
(tensor([40., 45., 50., 55.]), torch.Size([4]))
>>> A_sum_axis1 = A.sum(axis=1)
>>> A_sum_axis1,A_sum_axis1.shape
(tensor([ 6., 22., 38., 54., 70.]), torch.Size([5]))
>>> A.sum(axis=[0,1])
tensor(190.)
>>> A.mean(),A.sum()/A.numel() #这里就是通过求平均数来降维
(tensor(9.5000), tensor(9.5000))
>>> A.mean(axis=0),A.sum(axis=0)/A.shape[0]
(tensor([ 8.,  9., 10., 11.]), tensor([ 8.,  9., 10., 11.]))
>>>

非降维求和:

>>> sum_A=A.sum(axis=1,keepdims=True)
>>> sum_A
tensor([[ 6.],[22.],[38.],[54.],[70.]])
>>> A/sum_A
tensor([[0.0000, 0.1667, 0.3333, 0.5000],[0.1818, 0.2273, 0.2727, 0.3182],[0.2105, 0.2368, 0.2632, 0.2895],[0.2222, 0.2407, 0.2593, 0.2778],[0.2286, 0.2429, 0.2571, 0.2714]])
​
#沿着张量 A 的第 0 维（通常对应列方向，垂直方向）进行累积求和操作
>>> A.cumsum(axis=0)
tensor([[ 0.,  1.,  2.,  3.],[ 4.,  6.,  8., 10.],[12., 15., 18., 21.],[24., 28., 32., 36.],[40., 45., 50., 55.]])
>>>

​

cumsum累积求和的过程：