本文共 1915 字，大约阅读时间需要 6 分钟。

PyTorch张量运算概述

摘要

PyTorch作为深度学习框架提供了强大的张量运算能力，支持对多维数组的复杂运算。本文将从基础到高级操作，全面介绍PyTorch的张量运算特点，包括in place运算、广播机制以及排序操作。

目录

1.1 概述

第1章 Tensor运算概述

1.1 概述

PyTorch提供了丰富的张量运算功能，与Numpy类似，但更注重计算效率和灵活性。这些运算通常对数组中的每个元素执行相同函数，并生成新的同维度数组。

1.2 运算分类

PyTorch的运算可以分为以下几类：

• 算术运算：加、减、乘、除
• 函数运算：sin、cos等三角函数
• 取整运算：上取整、下取整
• 统计运算：最大值、最小值、均值
• 比较运算：大于、等于、小于、排序
• 线性代数运算：矩阵运算、点乘、叉乘

第1.3 章 "in place"运算

"in place"运算允许直接修改张量自身数据，避免内存分配。例如：

• torch.cos_() 和 torch.floor_() 都是in place版本。

第1.4 章 Tensor的广播机制

PyTorch的张量广播机制支持不同维度的运算。例如：

• 张量A（形状：(2,3))与张量B（形状：(1,2,3))的加法会生成新的张量，形状为(2,3,3)。

第1.5 章 环境准备

安装PyTorch：

import numpy as np
import torch
print("Hello World")
print(torch.__version__)
print(torch.cuda.is_available())

第1.6 章 排序运算概述

1.6.1 sort（排序）

• 支持按指定维度（dim）升序或降序排序。
• 默认排序按dim=1方向进行。

1.6.2 topk（获取前K个元素）

• 可以指定方向和排序方式（largest或smallest）。
• 默认返回最大的K个元素。

1.6.3 kthvalue（获取第K个最小值）

• 可以指定维度和方向。
• 需要对数据先排序后获取指定位置的值。

第2章 代码示例：sort（排序）

# 示例：sort
a = torch.Tensor([[5,4,1],[6,3,2]])
print("源数据：")  
print(a)  
print("\n默认排序：")  
print(torch.sort(a))  
print("\ndim=1排序：")  
print(torch.sort(a, dim=1))  
print("\ndim=0排序：")  
print(torch.sort(a, dim=0))  
print("\n成员函数排序：")  
a.sort(dim=1, descending=True)  
print(a)

第3章 代码示例：topk（获取前K个最值）

# 示例：topk
a = torch.Tensor([[2,4,6,12,8,10],[1,1,5,11,11,9]])
print("源数据：")  
print(a)  
print("\n默认参数：")  
print(torch.topk(a,2))  
print("\n取K个最大值：")  
b = torch.topk(a, k=2, largest=True)  
print(b)  
print("\n取K个最小值：")  
torch.topk(a, k=2, largest=False, out=b)  
print(b)

第4章 代码示例：kthvalue（取第K个最小值）

# 示例：kthvalue
a = torch.Tensor([[2,4,6,12,8,0],[3,7,5,11,1,9]])
print("源数据：")  
print(a)  
print("\n源数据排序后的值：")  
print(torch.sort(a))  
print("\n默认参数取第3个最小值：：")  
print(torch.kthvalue(a,3))  
print("\n按dim=1的方向取第3个最小值：")  
b = torch.kthvalue(a, k=3, dim=1)  
print(b)  
print("\n按dim=0的方向取第1个最小值：")  
torch.kthvalue(a, k=1, dim=0, out=b)  
print(b)

本文通过详细介绍PyTorch的张量运算特点，帮助读者掌握PyTorch的核心操作。