torch.acos() 方法计算输入张量的每个元素的反余弦。它支持实数和复数输入。它支持输入张量的任何维度。输入张量的元素必须在 [-1, 1] 范围内，因为反余弦函数的定义域为 [-1, 1]。torch.acosh() 方法计算输入张量的每个元素的反双曲余弦。它也支持任何维度的实数和复数输入。输入张量的元素必须大于或等于 1，因为反余弦函数的... 阅读更多

要创建元素从泊松分布采样的张量，我们应用 torch.poisson() 方法。此方法将元素为速率参数的张量作为输入张量。它返回一个张量，其元素是从具有速率参数的泊松分布中采样的。语法torch.poisson(rates)其中参数 rates 是速率参数的 torch 张量。速率参数用于从泊松分布中采样元素。步骤我们可以使用以下步骤来创建元素从泊松分布中采样的张量 - 导入所需的库。在以下所有示例中，所需的 Python 库是 torch。... 阅读更多

要计算输入张量中每个元素的 Heaviside 阶跃函数，我们使用 torch.heaviside() 方法。它接受两个参数 - 输入和值。它返回一个具有计算出的 Heaviside 阶跃函数的新张量。如果输入=0，则 Heaviside 函数的值与值相同。如果输入小于零，则 Heaviside 的值为零。如果输入大于零，则 Heaviside 的值为 1。它接受任何维度的 torch 张量。它也称为单位阶跃函数。语法torch.heaviside(input, values)步骤我们可以使用以下步骤来计算 Heaviside 阶跃函数 - 导入... 阅读更多

要从伯努利分布中提取二进制随机数（0 或 1），我们应用 torch.bernoulli() 方法。此方法的输入是一个 torch 张量，其中包含提取 1 的概率。这些概率用于提取二进制随机数（0 或 1）。由于输入张量包含概率，因此所有元素都应在 [0, 1] 范围内。它返回一个张量，其元素（0 或 1）是从具有输入概率的伯努利分布中随机选择的。语法torch.bernoulli(input)其中，参数 input 是一个 torch 张量，包含提取 1 的概率。这些概率用于提取... 阅读更多

要创建从具有给定均值和标准差的单独正态分布中提取的随机数的张量，我们应用 torch.normal() 方法。此方法采用两个输入参数 - 均值和标准差。均值是具有每个输出元素正态分布均值的张量，而标准差是具有每个输出元素正态分布标准差的张量。它返回一个从具有均值和标准差为均值和标准差的单独正态分布中提取的随机数的张量。语法torch.normal(mean, std)步骤我们可以使用以下步骤来创建从单独正态分布中提取的随机数的张量 - 导入所需的... 阅读更多

使用给定的绝对值和角度，我们可以使用 torch.polar() 方法在 PyTorch 中构造一个复数。绝对值和角度必须是浮点数或双精度数。绝对值和角度必须都具有相同的类型。如果 abs 是浮点数，则角度也必须是浮点数。如果输入是 torch.float32，则构造的复数张量必须是 torch.complex64。如果输入是 torch.float64，则复数张量必须是 torch.complex128。语法torch.polar(abs, angle)参数abs – 复数张量的绝对长度。angle – 复数张量的角度。步骤我们可以使用以下步骤来构造具有... 阅读更多

hessian() 函数计算给定函数的 Hessian 矩阵。hessian() 函数可以从 torch.autograd.functional 模块访问。正在计算 Hessian 矩阵的函数将张量作为输入并返回张量元组或张量。hessian() 函数返回一个张量，其中包含为具有给定输入的函数计算的 Hessian 矩阵值。语法torch.autograd.functional.hessian(func, input)参数func - 它是计算 Hessian 矩阵的 Python 函数。input - 它是函数 func 的输入。步骤我们可以使用以下步骤来计算给定函数的 Hessian 矩阵 - 导入所需的库。在以下所有... 阅读更多

jacobian() 函数计算给定函数的雅可比矩阵。jacobian() 函数可以从 torch.autograd.functional 模块访问。正在计算雅可比矩阵的函数将张量作为输入并返回张量元组或张量。jacobian() 函数返回一个张量，其中包含为具有给定输入的函数计算的雅可比矩阵值。语法torch.autograd.functional.jacobian(func, input)参数func - 它是计算雅可比矩阵的 Python 函数。input - 它是函数 func 的输入。步骤我们可以使用以下步骤来计算给定函数的雅可比矩阵 - 导入所需的库。在以下所有... 阅读更多

要调整图像的锐度，我们应用 adjust_sharpness()。它是 torchvision.transforms 模块提供的功能转换之一。adjust_sharpness() 转换接受 PIL 和张量图像。张量图像是一个 PyTorch 张量，形状为 [C, H, W]，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。如果图像既不是 PIL 图像也不是张量图像，那么我们首先将其转换为张量图像，然后应用 adjust_sharpness()。锐度应为任何非负数。语法torchvision.transforms.functional.adjust_sharpness(img, sharpness_factor)参数img – 图像... 阅读更多

使用给定的实部和虚部，我们可以使用 torch.complex() 方法在 PyTorch 中构造一个复数。实部和虚部必须是浮点数或双精度数。实部和虚部都必须具有相同的类型。如果实部是浮点数，则虚部也必须是浮点数。如果输入是 torch.float32，则构造的复数张量必须是 torch.complex64。如果输入是 torch.float64，则复数张量必须是 torch.complex128。语法torch.complex(real, imag)参数real 和 imag – 复数张量的实部和虚部。两者都必须具有相同的 dtype，只能是浮点数或双精度数。步骤我们可以使用... 阅读更多