写在开头在前几篇文章中，我们已经深入了解了Scipy库的基础功能和在数值计算、优化、信号处理等领域的应用。本文将进一步探讨Scipy库中的高级功能，专注于稀疏矩阵处理和高级插值技术。这些功能在实际数据分析中具有广泛的应用，能够处理大规模、高维度的数据集，并在空间数据插值等场景中发挥重要作用。1 稀疏矩阵处理1.1 Scipy.sparse 模块简介在数据科学和工程领域，我们常常会面对大规模的数据集
行列式要求 要计算行列式，那么这个矩阵一定是一个方阵行列式性质行列式转置后值不变互换行列式中两行，值变为相反数行列式中两行成比例，行列式为0行列式中一行所有元素乘以一个数后加到另一行，行列式值不变 行列式的计算有很多方法：矩阵的行列式矩阵的行列式是一个可以从方形矩阵（方阵）计算出来的特别的数。矩阵是数的排列：这矩阵的行列式是3×6 − 8×4 = 18 − 32 =
转载
2023-12-19 19:56:34
68阅读
一、TensorTensor是Pytorch中重要的数据结构，可以认为是一个高维数组。Tensor可以是一个标量、一维数组（向量）、二维数组（矩阵）或者高维数组等。Tensor和numpy的ndarrays相似。import torch as t构建矩阵：x = t.Tensor(m, n)注意这种情况下只分配了空间，并没有初始化。使用[0,1]均匀分布随机初始化矩阵：x = t.rand(m,
转载
2024-05-20 23:52:28
19阅读
1维张量内积-torch.dot()内积返回的是一个值，如果都归一化了，可以看做相似度。torch.dot(input, tensor) → Tensor
#计算两个张量的点积（内积）
#官方提示：不能进行广播（broadcast）.
#example
>>> torch.dot(torch.tensor([2, 3]), torch.tensor([2, 1])) #即对应位置
转载
2023-09-02 13:59:17
380阅读
向量点乘：又叫做点积、内积、数量积、标量积，向量a[a1,a2,...,an]和向量b[b1,b2b...,bn]点乘的结果是一个标量，记作a.b； 得到一个值。叉乘：又叫向量积、外积、叉积，叉乘，向量a[x1,y1,z1]和向量b[x2,y2,z2]叉乘的运算结果是一个向量，并且两个向量的叉积与这两个向量组成的坐标平面垂直，记作axb；得到一个向量。
转载
2023-08-08 08:59:57
242阅读
混淆矩阵（confusion matrix）1. 混淆矩阵介绍2. 代码实现2.1 数据集2.2 代码：混淆矩阵类2.3 在验证集上计算相关指标2.4 结果 1. 混淆矩阵介绍2. 代码实现2.1 数据集此数据集用于多分类任务（检测番茄叶片病虫害）。这里测试的数据集一共1250张图，1000张用于训练，250张用于验证，共分为5个类别。数据集结构如下： 数据集部分图片展示：2.2 代码：混淆矩阵
转载
2023-08-21 09:56:40
492阅读
稀疏编码 首先介绍一下“稀疏编码”这一概念。 早期学者在黑白风景照片中可以提取到许多16*16像素的图像碎片。而这些图像碎片几乎都可由64种正交的边组合得到。而且组合出一张碎片所需的边的数目很少，即稀疏的。同时在音频中大多数声音也可由几种基本结构组合得到。这其实就是特征的稀疏表达。即使用少量的基本特征来组合更加高层抽象的特征。在神经网络中即体现出前一层是未加工的像素，而后一层就是对这些像素的非线性
转载
2024-01-20 22:17:55
50阅读
文章目录张量的线性代数运算1. BLAS和LAPACK的概览2. 矩阵的形变及特殊矩阵构造方法3. 矩阵的基本运算4. 矩阵的线性代数运算矩阵的迹矩阵的秩矩阵的行列式(det)5. 线性方程组的矩阵表达形式inverse函数: 求解逆矩阵6. 矩阵的分解特征分解torch.eig函数: 特征分解奇异值分解(SVD)svd奇异值分解函数 张量的线性代数运算也就是BLAS(Basic Linear
转载
2023-11-13 14:14:40
482阅读
PyTorch入门实战教程笔记（八）：基础张量操作4包含：数学运算，统计属性数学运算：Add/minus/multiply/divide:加减乘除基本运算（数学运算）Matmul：Tensor的矩阵式相乘（矩阵形式）Pow：矩阵的次方sqrt/rsqrt：矩阵的次方根Round：矩阵近似运算Add/minus/multiply/divide: 基本运算： 加减乘除可以用＋－* /，也可以用ad
转载
2024-01-25 20:03:40
76阅读
1 矩阵的形变及特殊矩阵的构造方法 矩阵的形变其实就是二维张量的形变方法，在此基础上本节将补充转置的基本方法。实际线性代数运算过程中，一些特殊矩阵，如单位矩阵、对角矩阵等相关创建方法如下： &nb
转载
2024-04-17 20:11:47
40阅读
理论:向量:一行乘以一列: 内积: 结果一个数一列乘以一行: 外积: 结果一个矩阵 矩阵:点乘: *, mul: 对应元素相乘叉乘: dot, matmul: 矩阵乘法 (而矩阵乘法又可以理解为向量内积, 外积的结合体)传统的矩阵乘法可以看成: 行向量组成一列, 列向量组成一行 关于广播机制的补充说明:广播机制是用在对应元素的: 加, 减,
转载
2023-09-23 09:56:02
142阅读
第25章 Pytorch 如何高效使用GPU 深度学习涉及很多向量或多矩阵运算，如矩阵相乘、矩阵相加、矩阵-向量乘法等。深层模型的算法，如BP，Auto-Encoder，CNN等，都可以写成矩阵运算的形式，无须写成循环运算。然而，在单核CPU上执行时，矩阵运算会被展开成循环的形式，本质上还是串行执行。GPU（Graphic Process Units，图形处理器）的众核体系结构包含几千个流处理器
转载
2024-01-17 14:45:37
32阅读
我们一天会遇到很多次推荐——当我们决定在Netflix/Youtube上看什么，购物网站上的商品推荐，Spotify上的歌曲推荐，Instagram上的朋友推荐，LinkedIn上的工作推荐……列表还在继续!推荐系统的目的是预测用户对某一商品的“评价”或“偏好”。这些评级用于确定用户可能喜欢什么，并提出明智的建议。推荐系统主要有两种类型:基于内容的系统:这些系统试图根据项目的内容(类型、颜色等)和
转载
2023-08-23 17:49:47
110阅读
文章目录前言一、Pytorch张量与数据类型1.生成随机矩阵2.查看随机矩阵规模3.Tensor（张量）基本数据类型及其转换二、张量运算与形状变换1.Tensor（张量）计算原则2.Tensor（张量）形状变换三、张量微分运算1.张量的自动微分2. 设置Tensor不可跟踪计算（测试集常用）3.就地改变Tensor（张量）变量的requires_grad值 前言Pytorch最基本的操作对象是T
转载
2023-10-06 00:15:05
414阅读
对于计算机我们肯定都很熟悉，它的内部有ALU进行算术和逻辑运算，可是他们运算得出的结果怎么办？扔掉吗？那这个计算就没有任何意义了。因此，那些计算出来的结果就需要存起来，于是就有了计算机内存。当打游戏或者编辑某个文档且进入尾声的时候，电源被切断的惨痛经历大家应该都经历过，再次打开电脑的时候，上次的数据都没了，这就是随机存取存储器，简称RAM，还有一种就是电源关闭了数据还在，这就是持久存储。上面的有没
转载
2024-08-24 17:25:25
45阅读
背景：本来pytorch是实现了逆矩阵的函数的，1.8之前是torch.inverse()，1.8是在torch.linalg.inv()反正就是实现了，按理来说不需要去手动实现这玩意但是，cuda不支持逆矩阵inverse，因此onnx当然也没实现inverse但是我们训练的模型需要移植到onnx甚至cuda就会变得很困难，甚至你想在pytorch里面使用model.half()进行半精度运算的
转载
2023-05-24 16:51:28
657阅读
1评论
判断tensorc1和c2每个元素是否相同: torch.all(torch.eq(c1, c2))矩阵乘法：对于高维(dim>2)的Tensor，定义其矩阵乘法仅在最后的两个维度上，要求前面的维度必须保持一致(此处的一致包括自动broadcasting后的一致)，就像矩阵的索引一样。 torch.matmul（c,d）近似值操作： a.floor(), a.ceil(), a.trunc(
转载
2023-11-19 07:46:50
53阅读
目录前言三阶张量的转置 前言我在我的pytorch专栏发布了一期pytorch入门之tensor，介绍了torch.tensor()的一些创建方式和常用方法，其中就有矩阵的转置方法----tensor.t()、tensor.transpose()和tensor.permute()。我只是用少量语言和代码介绍了这三种方法的用法，但其中的转置原理没有说清。今天咱们就来絮叨絮叨~相信学过线性代数的小伙
转载
2023-10-03 14:07:50
61阅读
关于训练，测试时候，类别选择问题，首先是网络进入softmax之前的特征类别数目：#Define model
model = DeepLab(num_classes=self.nclass,
backbone=args.backbone,
output_stride=args.out_stride,
s
转载
2024-05-23 16:26:29
221阅读
cat矩阵拼接操作，将符合要求的不同矩阵在某一维度上进行拼接。cat要求进行拼接的矩阵在非拼接维度上完全相同。import torch
a1 = torch.rand(4, 3, 32, 32)
a2 = torch.rand(5, 3, 32, 32)
a3 = torch.rand(4, 1, 32, 32)
a4 = torch.rand(4, 3, 16, 32)
# 要求其他维度必须
转载
2023-09-04 15:01:15
119阅读
