torchvision.io 包提供执行不同 IO 操作的功能。要计算边界框或一组边界框的面积，torchvision.io 包提供了 box_area() 函数。此函数将边界框作为输入参数，并返回每个框的面积。边界框应为大小为 [N, 4] 的 torch 张量，其中 N 是要计算面积的边界框的数量。每个边界框由坐标 (xmin, ymin, xmax, ymax) 指定。换句话说 - 0 ≤ xmin < xmax，且 0 ≤ ymin < ymax。…… 阅读更多

torchvision.utils 包提供了 draw_bounding_boxes() 函数，用于在图像上绘制边界框。它支持形状为 (C x H x W) 的 torch 张量类型的图像，其中 C 是通道数，W 和 H 分别是图像的宽度和高度。如果我们使用 Pillow 或 OpenCV 读取图像，则必须先将其转换为 torch 张量。我们可以在图像上绘制一个或多个边界框。此函数返回一个带有绘制边界框的 dtype 为 uint8 的图像张量。边界框应为 torch 张量…… 阅读更多

读取图像在图像处理或计算机视觉相关任务中非常重要。torchvision.io 包提供执行不同 IO 操作的功能。要读取图像，torchvision.io 包提供了 image_read() 函数。此函数读取 JPEG 和 PNG 图像。它返回一个 3D RGB 或灰度张量。张量的三个维度对应于 [C, H, W]。C 是通道数，W 和 H 分别是图像的宽度和高度。对于 RGB，通道数为 3。因此，读取图像的输出是一个 [3, H, W] 的张量。…… 阅读更多

要计算矩阵相对于矩阵范数的条件数，我们可以应用 torch.linalg.cond() 方法。它返回一个包含计算出的条件数的新张量。它接受一个矩阵、一批矩阵以及矩阵批次。矩阵是一个 2D torch 张量。它支持浮点、双精度、复数浮点和复数双精度数据类型语法torch.linalg.cond(M, p=None)参数M – 矩阵或矩阵批次。p – 用于计算条件数的矩阵范数类型。默认矩阵范数为 2-范数。它返回一个实值条件数张量。步骤我们可以使用以下步骤来计算…… 阅读更多

要计算方阵的伪逆，我们可以应用 torch.linalg.pinv() 方法。它返回一个包含给定矩阵伪逆的新张量。它接受一个矩阵、一批矩阵以及矩阵批次。矩阵是一个 2D torch 张量。它支持浮点、双精度、复数浮点和复数双精度数据类型。语法torch.linalg.pinv(M)其中 M 是矩阵或矩阵批次。步骤我们可以使用以下步骤来计算矩阵的伪逆-导入所需的库。在以下所有示例中，所需的 Python 库是 torch。确保您已安装它。import torch定义一个矩阵。…… 阅读更多

要计算方阵的逆，我们可以应用 torch.linalg.inv() 方法。它返回一个包含给定矩阵逆的新张量。它接受一个方阵、一批方阵以及方阵批次。矩阵是一个 2D torch 张量。它支持浮点、双精度、复数浮点和复数双精度数据类型。当且仅当方阵可逆时，逆矩阵才存在。语法torch.linalg.inv(M)其中 M 是方阵或方阵批次。它返回逆矩阵。步骤我们可以使用以下步骤来计算方阵的逆-导入…… 阅读更多

要解具有唯一解的方程组，我们可以应用 torch.linalg.solve() 方法。此方法采用两个参数-首先是系数矩阵 A，其次是右手张量 b。其中 A 是方阵，b 是向量。如果 A 可逆，则解是唯一的。我们可以解多个方程组。在这种情况下，A 是一批方阵，b 是一批向量。语法torch.linalg.solve(A, b)参数A – 方阵或方阵批次。它是方程组的系数矩阵。b – 向量或批次…… 阅读更多

torch.linalg.qr() 计算矩阵或矩阵批次的 QR 分解。它接受浮点、双精度、复数浮点和复数双精度数据类型的矩阵和矩阵批次。它返回一个命名元组 (Q, R)。当矩阵为实值时，Q 为正交的；当矩阵为复值时，Q 为酉的。R 是上三角矩阵。语法(Q, R) = torch.linalg.qr(mat, mode='reduced')参数Mat – 方阵或方阵批次。mode – 它决定 QR 分解的模式。它设置为三种模式之一，“reduced”、“complete”和“r”。默认为“reduced”。这是一个可选参数。步骤导入所需的库。在…… 阅读更多

torch.linalg.eig() 计算方阵或方阵批次的特征值分解。它接受浮点、双精度、复数浮点和复数双精度数据类型的矩阵和矩阵批次。它返回一个命名元组 (特征值，特征向量)。特征值和特征向量始终为复值。特征向量由特征向量的列给出。语法(特征值，特征向量) = torch.linalg.eig(A)其中 A 是方阵或方阵批次。它返回一个命名元组 (特征值，特征向量)。步骤导入所需的库。在以下所有示例中，所需的 Python 库是 torch。确保您已安装它。import torch创建一个方阵…… 阅读更多

要计算向量或矩阵的范数，我们可以应用 torch.linalg.norm() 方法。它返回一个包含计算出的范数的新张量。它接受向量、矩阵、矩阵批次以及矩阵批次。向量是一个 1D torch 张量，而矩阵是一个 2D torch 张量。它支持浮点、双精度、复数浮点和复数双精度数据类型。我们可以沿着不同的维度计算矩阵或矩阵批次的范数。例如，我们可以沿着维度 0 或沿着维度 1 计算矩阵的范数。语法torch.linalg.norm(A)A 是向量、矩阵或批次…… 阅读更多