当前位置: 首页 > news >正文

wordpress调用评论抚顺seo

wordpress调用评论,抚顺seo,b2c电子商务网站系统下载,做烘焙网站您的进步和反馈是我写作最大的动力,小伙伴来个三连呗!共勉~ 话不多说,书接上文,需要温习的小伙伴请移步 - 从PyTorch官方的一篇教程说开去(6.1 - 张量 tensor 基本操作)-CSDN博客 借图镇楼 - 1 - 矩阵乘…

您的进步和反馈是我写作最大的动力,小伙伴来个三连呗!共勉~

话不多说,书接上文,需要温习的小伙伴请移步 - 从PyTorch官方的一篇教程说开去(6.1 - 张量 tensor 基本操作)-CSDN博客

借图镇楼 - 

1 - 矩阵乘法(点积或外积,整个行乘以整个列):

shape = (4,4)
ones_tensor = torch.ones(shape)
y1 = ones_tensor @ ones_tensor
print(f"{y1}\n")shape = (4,4)
ones_tensor = torch.ones(shape)
y2 = torch.matmul(ones_tensor,ones_tensor.T)
print(f"{y2}\n")z1 = torch.rand_like(y1)
torch.matmul(ones_tensor, ones_tensor.T, out=z1)
print(f"{z1}\n")
  • 使用 @ 符号,等同于调用matmul函数,进行矩阵乘法。由于 ones_tensor 是一个 4x4 的全1矩阵,其与自身的乘法结果将是一个元素为4的矩阵。ones_tensor.T 表示转置。用out 参数,可以就地执行矩阵乘法,结果存储在 z1 中。这样可以避免额外的内存分配。

2 - 元素级别的点乘(dot product):

y3 = ones_tensor * ones_tensor
print(f"{y3}\n")y4 = torch.mul(ones_tensor,ones_tensor.T)
print(f"{y4}\n")z2 = torch.rand_like(y3)
torch.mul(ones_tensor,ones_tensor.T,out=z2)
  • 元素级别的点乘,也就是逐元素相乘。对于全1矩阵,结果是每个元素都是1。同上例,提供3种算符。

3 - torch没有官方定义叉乘(Cross Product):

# 定义两个三维向量
vector_a = torch.tensor([1.0, 2.0, 3.0])
vector_b = torch.tensor([4.0, 5.0, 6.0])# 计算叉乘
cross_product = torch.linalg.cross(vector_a, vector_b)print(f"Vector A: {vector_a}")
print(f"Vector B: {vector_b}")
print(f"Cross Product: {cross_product}")
  • 尽管官方没有,但是为了区别这几个容易混淆的概念,我们还是配个例子。叉乘(Cross Product)通常是针对两个三维向量而言的,它返回一个向量,该向量垂直于原来的两个向量,并遵循右手定则。

4 - 单元素张量:

agg = ones_tensor.sum()
agg_item = agg.item()
print(agg_item,type(agg_item))
  •  ones_tensor 是一个 4x4 的单位矩阵,其元素总和将是 4x4=16。item() 方法用于将这个张量转换成一个 Python 标量(即一个单一数值)。在进行一些扁平化的操作时候会用到。

5 - 就地计算函数(为节约存储,这些都很常用):

原地操作函数(in-place operations) 以_结尾
add_(): 原地加法。
sub_(): 原地减法。
mul_(): 原地乘法。
div_(): 原地除法。copy_(): 原地复制。
t_(): 原地转置。
fill_(): 原地填充。
zero_(): 原地清零。clamp_(): 原地限制值。
clamp_min_(): 原地最小值限制。
clamp_max_(): 原地最大值限制。sum_(): 原地求和。
mean_(): 原地求平均值。
std_(): 原地求标准差。
var_(): 原地求方差。
norm_(): 原地求范数。
renorm_(): 原地重规范化。addmm_(): 原地矩阵乘法加法。
addr_(): 原地地址加法。
addbmm_(): 原地二维矩阵乘法加法。
baddbmm_(): 原地批量二维矩阵乘法加法。
mm_(): 原地矩阵乘法。
bmm_(): 原地批量矩阵乘法。ger_(): 原地外积。
linalg_vector_norm_(): 原地向量范数。
linalg_matrix_norm_(): 原地矩阵范数。
linalg_solve_(): 原地线性求解。
linalg_inv_(): 原地矩阵求逆。
linalg_pinv_(): 原地伪逆。
linalg_eig_(): 原地特征值分解。
linalg_svd_(): 原地奇异值分解。
linalg_householder_product_(): 原地Householder变换。
linalg_qr_(): 原地QR分解。
linalg_triangular_solve_(): 原地三角求解。
linalg_cholesky_(): 原地Cholesky分解。
linalg_symeig_(): 原地对称特征值分解。
linalg_eigvals_(): 原地特征值计算。
linalg_eigvalsh_(): 原地Hermitian特征值计算。
linalg_slogdet_(): 原地对数行列式。
linalg_det_(): 原地行列式。
linalg_cond_(): 原地条件数。
linalg_matrix_rank_(): 原地矩阵秩。
linalg_solve_triangular_(): 原地三角求解。
linalg_lstsq_(): 原地最小二乘求解。

6 - 打印结果和类型:

np_array = np.array(data)
x_np = torch.from_numpy(np_array)print(f"{x_np}\n")
x_np.add_(1)
print(np_array,"\n")n = np.ones(5)
t = torch.from_numpy(n)
np.add(n,1,out=n)
print(f"{t} \n{n}")
  •  
  • 这里就地展示一下上个小标题的原地计算函数,add_() 是就地操作,它将 1 加到张量 x_np 的每个元素上。注意,由于 x_np 和 np_array 共享内存,np_array 也会被修改。我们还一同展示了如何在数组和张量之间进行互相转化。
http://www.zhongyajixie.com/news/16086.html

相关文章:

  • b2b模式网站洛阳市网站建设
  • 宁波网站建设多少钱windows优化大师免费
  • wordpress 目录 导航站万网官网
  • 淘宝客商城网站建设网络服务提供者收集和使用个人信息应当符合的条件有
  • 汕头网站建设网页设计网站
  • 那个平台能免费做网站外贸网站都有哪些
  • 做网站的步骤培训心得体会500字
  • 单页面网站如何优化引流代写文章兼职
  • 开发一个网站需要多长时间郑州网络推广代理
  • 有没有一些帮做名片的网站沈阳全网推广公司哪家好
  • 做淘宝联盟网站公司网站的推广方案
  • cms资源石景山区百科seo
  • 济南网站设计开发唯尚广告联盟
  • 商城网站建设协议百度关键字排名软件
  • 专业外包网站建设公司搜索引擎优化是做什么
  • 如何做同城信息网站韩国比分预测
  • 设计专业宜昌网站seo收费
  • 阿里云服务器做盗版电影网站网络营销方式哪些
  • 购物商城平台有哪些百度seo营销推广
  • b2b网站推广技巧吸引人的软文
  • 网站建设服务协议书潍坊seo推广
  • 哪个网站做兼职靠谱企业推广平台
  • 建企业网站哪个平台好长沙推广引流
  • 商城网站设计定制百度热线客服24小时
  • 更改了网站关键词后要怎么做怎么自己做一个网站
  • 网站备案正常多久友情链接收录
  • 网站优化 网站建设公司百度搜索风云榜排名
  • 万网 网站云客网平台
  • 济南专业做网站公司哪家好企业网站制作开发
  • 网站建设工具西安霸屏推广