我们使用 torch.log2() 方法计算张量元素以 2 为底的对数。它返回一个新张量，其中包含原始输入张量元素的对数值。它以张量作为输入参数，并输出张量。语法：torch.log2(input)，其中 input 是一个 PyTorch 张量。它返回一个包含以 2 为底的对数值的新张量。步骤：导入 torch 库。确保你已经安装了它。import torch 创建一个张量并打印它。tensor1 = torch.rand(5, 3) print("张量：", tensor1) 计算 torch.log2(input) 并将其值赋给一个新变量（可选）。这里，input 是创建的张量。logb2 = ... 阅读更多

Tensor.detach() 用于将张量从当前计算图中分离。它返回一个不需要梯度的新张量。当我们不需要跟踪张量进行梯度计算时，我们将张量从当前计算图中分离。当我们需要将张量从 GPU 移动到 CPU 时，我们也需要分离张量。语法：Tensor.detach() 它返回一个新的张量，其中 requires_grad = True。将不再计算关于此张量的梯度。步骤：导入 torch 库。确保你已经安装了它。import torch 创建一个 requires_grad = True 的 PyTorch 张量，并… 阅读更多

要计算梯度，张量必须将其参数 requires_grad 设置为 true。梯度与偏导数相同。例如，在函数 y = 2*x + 1 中，x 是一个 requires_grad = True 的张量。我们可以使用 y.backward() 函数计算梯度，并使用 x.grad 访问梯度。这里，x.grad 的值与 y 关于 x 的偏导数相同。如果张量 x 没有 requires_grad，则梯度为 None。我们可以定义一个多个变量的函数。这里的变量是 PyTorch 张量。步骤：我们可以使用… 阅读更多

torch.logical_xor() 计算给定两个输入张量的逐元素逻辑异或。在一个张量中，值为零的元素被视为 False，非零元素被视为 True。它以两个张量作为输入参数，并返回计算逻辑异或后的值张量。语法：torch.logical_xor(tensor1, tensor2)，其中 tensor1 和 tensor2 是两个输入张量。步骤：要计算给定输入张量的逐元素逻辑异或，可以按照以下步骤操作：导入 torch 库。确保你已经安装了它。创建两个张量 tensor1 和 tensor2，并打印张量。计算 torch.logical_xor(tensor1, tensor2) 并将其值赋给… 阅读更多

torch.narrow() 方法用于对 PyTorch 张量执行缩小操作。它返回一个新的张量，它是原始输入张量的缩小版本。例如，一个大小为 [4, 3] 的张量可以缩小为大小为 [2, 3] 或 [4, 2] 的张量。我们一次可以沿单个维度缩小张量。这里，我们不能将两个维度都缩小到 [2, 2] 的大小。我们也可以使用 Tensor.narrow() 来缩小张量。语法：torch.narrow(input, dim, start, length) Tensor.narrow(dim, start, length) 参数：input – 要缩小的 PyTorch 张量。dim – 沿其进行缩小的维度。… 阅读更多

torch.permute() 方法用于对 PyTorch 张量执行置换操作。它返回输入张量的视图，其维度已置换。它不会复制原始张量。例如，一个维度为 [2, 3] 的张量可以置换为 [3, 2]。我们也可以使用 Tensor.permute() 使用新维度置换张量。语法：torch.permute(input, dims) 参数：input – PyTorch 张量。dims – 期望维度的元组。步骤：导入 torch 库。确保你已经安装了它。import torch 创建一个 PyTorch 张量并打印张量和张量的大小。t = torch.tensor([[1, 2], [3, 4], [5, 6]]) print("张量：", … 阅读更多

Tensor.expand() 属性用于执行扩展操作。它沿单例维度将张量扩展到新维度。扩展张量只创建一个原始张量的新视图；它不会复制原始张量。如果将特定维度设置为 -1，则不会沿此维度扩展张量。例如，如果我们有一个大小为 (3, 1) 的张量，我们可以沿大小为 1 的维度扩展此张量。步骤：要扩展张量，可以按照以下步骤操作：导入 torch 库。确保你已经安装了它。import torch 定义一个张量… 阅读更多

要创建带有梯度的张量，我们在创建张量时使用额外的参数“requires_grad = True”。requires_grad 是一个标志，它控制张量是否需要梯度。只有浮点和复数类型的张量才需要梯度。如果 requires_grad 为 false，则张量与没有 requires_grad 参数的张量相同。语法：torch.tensor(value, requires_grad = True) 参数：value – 张量数据，用户定义或随机生成。requires_grad – 一个标志，如果为 True，则张量包含在梯度计算中。输出：它返回一个 requires_grad 为 True 的张量。步骤：导入所需的库。所需的库是 torch。定义一个 requires_grad = True 的张量 显示… 阅读更多

使用 torch.remainder() 方法计算张量除以其他张量时的逐元素余数。我们也可以应用 torch.fmod() 来查找余数。这两种方法的区别在于，在 torch.remainder() 中，当结果的符号与除数的符号不同时，将除数添加到结果中；而在 torch.fmod() 中，则不会添加。语法：torch.remainder(input, other) torch.fmod(input, other) 参数：Input – 它是一个 PyTorch 张量或标量，被除数。Other – 它也是一个 PyTorch 张量或标量，除数。输出：它返回一个包含逐元素余数值的张量。步骤：导入 torch 库。定义张量，被除数和… 阅读更多

torch.linalg.svd() 计算矩阵或一批矩阵的奇异值分解 (SVD)。奇异值分解表示为命名元组 (U, S, Vh)。对于实矩阵，U 和 Vh 是正交的；对于复数矩阵，U 和 Vh 是酉的。当 V 是实数值时，Vh 是 V 的转置；当 V 是复数时，Vh 是 V 的共轭转置。即使输入是复数，S 也始终是实数值。语法：U, S, Vh = torch.linalg.svd(A, full_matrices=True) 参数：A – PyTorch 张量（矩阵或一批矩阵）。full_matrices – 如果为 True，则输出是完整的 SVD，否则是简化的 SVD。默认为 True。输出：它返回一个命名元组… 阅读更多