网站制作 知乎前端静态页面接单

本文通过代码示例详细讲解PyTorch中常用的线性代数操作，包括点积、矩阵乘法、范数计算以及按轴求和等操作，帮助读者掌握张量运算的核心方法。

---

1. 点积运算

点积（Dot Product）是两个向量对应元素相乘后求和的结果。
实现代码：

import torchx = torch.tensor([0, 1, 2, 3], dtype=torch.float32)
y = torch.ones(4, dtype=torch.float32)
x, y, torch.dot(x, y)  # 计算点积

输出结果：

(tensor([0., 1., 2., 3.]), tensor([1., 1., 1., 1.]), tensor(6.))

等价实现方式：

torch.sum(x * y)  # 通过逐元素乘法和求和实现点积

输出：

tensor(6.)

2. 矩阵与向量乘法

使用 torch.mv 实现矩阵与向量的乘法。
代码示例：

x = torch.arange(12).reshape((3, 4)).float()
y = torch.ones(4, dtype=torch.float32)
x.shape, y.shape, torch.mv(x, y)  # 矩阵形状、向量形状及乘法结果

输出：

(torch.Size([3, 4]), torch.Size([4]), tensor([ 6., 22., 38.]))

3. 矩阵与矩阵乘法

使用 torch.mm 实现矩阵与矩阵的乘法。
代码示例：

b = torch.ones(4, 3).float()
torch.mm(x, b)  # 3x4矩阵与4x3矩阵相乘

输出：

tensor([[ 6.,  6.,  6.],[22., 22., 22.],[38., 38., 38.]])

4. 范数计算

L2范数（欧几里得范数）

torch.norm(y)  # 计算向量y的L2范数

输出：

tensor(2.)

L1范数（绝对值之和）

torch.abs(y).sum()  # 计算向量y的L1范数

输出：

tensor(4.)

Frobenius范数（矩阵范数）

torch.norm(x)  # 计算矩阵x的F范数

输出：

tensor(22.4944)

5. 按轴求和

沿指定轴求和并保留维度

sum_x = x.sum(axis=0, keepdim=True)  # 沿水平方向求和，保留维度
sum_x

输出：

tensor([[12., 15., 18., 21.]])

三维张量的轴求和

a = torch.ones((2, 5, 4))
a.shape  # 初始形状

输出：

torch.Size([2, 5, 4])

对多个轴求和

a.sum(axis=[0, 2], keepdim=True).shape  # 沿第0和第2轴求和

输出：

torch.Size([1, 5, 1])

单轴求和保留维度

a.sum(axis=1, keepdim=True).shape  # 沿第1轴求和并保留维度

输出：

torch.Size([2, 1, 4])

总结

本文演示了PyTorch中常用的线性代数操作，包括：

• 点积：torch.dot 或逐元素乘法后求和；

• 矩阵乘法：torch.mv（矩阵与向量）、torch.mm（矩阵与矩阵）；

• 范数计算：L1、L2和Frobenius范数；

• 轴求和：通过 sum(axis) 控制求和方向，keepdim 保留维度。

这些操作是深度学习模型实现的基础，熟练掌握可提升张量运算的效率和代码可读性。