PyTorch 中的向量是 1D 张量。要计算两个向量之间的成对距离，我们可以使用 PairwiseDistance() 函数。它使用 p 范数来计算成对距离。PairwiseDistance 本质上是 torch.nn 模块提供的类。两个向量的尺寸必须相同。可以对实值和复值输入计算成对距离。向量必须为 [N, D] 形状，其中 N 是批次维度，D 是向量维度。语法 torch.nn.PairwiseDistance(p=2) 默认 p 设置为 2。步骤您可以使用以下步骤计算两个向量之间的成对距离：导入所需的库。在所有… 阅读更多

图像的色调指的是三种原色（红、蓝、黄）和三种次色（橙、绿、紫）。要调整图像的色调，我们应用 adjust_hue()。它是 torchvision.transforms 模块提供的功能转换之一。adjust_hue() 转换接受 PIL 和张量图像。张量图像是形状为 [C, H, W] 的 PyTorch 张量，其中 C 是通道数，H 是图像高度，W 是图像宽度。此转换还接受一批张量图像。通过将图像转换为… 阅读更多

要计算两个张量之间的余弦相似度，我们使用 torch.nn 模块提供的 CosineSimilarity() 函数。它返回沿 dim 计算的余弦相似度值。dim 是此函数的可选参数，沿其计算余弦相似度。对于 1D 张量，我们只能沿 dim=0 计算余弦相似度。对于 2D 张量，我们可以在 dim=0 或 1 沿计算余弦相似度。要计算余弦相似度，两个张量的尺寸必须相同。两个张量都必须是实值的。余弦相似度通常用于文本分析中测量文档相似度。语法 torch.nn.CosineSimilarity(dim=1) 默认 dim 设置为 1。但是如果… 阅读更多

torch.clamp() 用于将输入中的所有元素钳位到 [min, max] 范围内。它接受三个参数：输入张量、min 和 max 值。小于 min 的值将被 min 替换，大于 max 的值将被 max 替换。如果未给出 min，则没有下界。如果未给出 max，则没有上界。假设我们设置 min=−0.5 和 max=0.4，则小于 −0.5 的值将被 −0.5 替换，大于 0.4 的值将被 0.4 替换。这些值之间的… 阅读更多

单位矩阵，也称为单位矩阵，是一个“n ☓ n”的方阵，主对角线上为 1，其他位置为 0。它是方阵的乘法单位。因为任何方阵乘以单位矩阵也被称为单位矩阵。单位矩阵用作矩阵概念中方阵的乘法单位。当任何方阵乘以单位矩阵时，结果不会改变。在线性代数中，大小为 n 的单位矩阵是 n ☓ n 方阵，主对角线上为 1，其他位置为 0。要创建… 阅读更多

平均绝对误差计算为输入和目标（预测值和实际值）之间的绝对差之和的平均值。要在 PyTorch 中计算平均绝对误差，我们应用 torch.nn 模块提供的 L1Loss() 函数。它创建一个测量平均绝对误差的标准。实际值和预测值都是具有相同元素数量的 torch 张量。这两个张量可以具有任意数量的维度。此函数返回标量值的张量。它是 torch.nn 模块提供的损失函数的一种类型。损失函数用于… 阅读更多

数字的上限值是大于或等于该数字的最小整数。要查找 torch 张量元素的上限，我们使用 torch.ceil() 函数。此函数将 torch 张量作为输入参数，并返回一个 torch 张量，其中包含输入张量每个元素的上限值。此函数仅支持实值输入。它支持任何维度的 torch 张量。数字的下限值是小于或等于该数字的最大整数。要查找 torch 张量元素的下限，我们使用… 阅读更多

图像的对比度是指图像各个特征之间存在的颜色差异量。要调整图像的对比度，我们应用 adjust_contrast()。它是 torchvision.transforms 模块提供的功能转换之一。此模块包含许多重要的功能转换，可用于对图像数据执行不同类型的操作。adjust_contrast() 转换接受 PIL 和张量图像。张量图像是形状为 [C, H, W] 的 PyTorch 张量，其中 C 是通道数，H 是图像高度，W 是图像宽度。此… 阅读更多

图像的亮度是在捕获图像后对其强度的一种衡量。要调整图像的亮度，我们应用 adjust_brightness()。它是 torchvision.transforms 模块提供的功能转换之一。此模块包含许多重要的功能转换，可用于操作图像数据。adjust_brightness() 转换接受 PIL 和张量图像。张量图像是形状为 [C, H, W] 的 PyTorch 张量，其中 C 是通道数，H 是图像高度，W 是图像宽度。此转换还接受一批张量图像。一批… 阅读更多

PyTorch 中的矩阵是具有相同 dtype 元素的二维张量。我们可以将一行与另一行打乱，将一列与另一列打乱。要打乱行或列，我们可以像在 Numpy 中一样使用简单的切片和索引。如果我们想打乱行，那么我们在行索引中进行切片。要打乱列，我们在列索引中进行切片。例如，如果我们想打乱 3☓3 矩阵的第 1 行和第 2 行，那么我们只需打乱这些行的索引并进行切片以找到打乱的矩阵。让我们… 阅读更多