python torch中文手册 python里的torch

文章目录

• 1.Python的.sort()方法和sorted()比较

• 1.1Python的.sort()方法
• 1.2Python的sorted()方法

• 2.Pytorch里addmm()和addmm_()
• 3. torch.stack()

1.Python的.sort()方法和sorted()比较

1.1Python的.sort()方法

使用方式是：列表.sort(),作用是将原来的列表正序排序，所以它是对原来的列表进行的操作，不会产生一个新列表，例如：

import  random
numList=[]
print(numList)
for i in range(10):
    numList.append(random.randrange(1,10))# 不包括10
print("未排序的列表：",numList)
# numList.sort()执行过程是将列表拍完序后又赋值给了原列表
numList.sort()
print("排序后列表：",numList)
# 无法将numList.sort()赋值给一个新列表，以为它并不返回一个新列表
numList=numList.sort()
print("无法赋值给新列表的的结果：",numList)

输出结果为：

1.2Python的sorted()方法

sorted(列表),是Python内置函数，该函数对原列表不会产生影响，只是在原来列表的基础上，产生一个有序的新列表，可以复制一个列表名。

import  random
numList=[]
print(numList)
for i in range(10):
    numList.append(random.randrange(1,10))# 不包括10
print("未排序的列表：",numList)

sorted(numList)
print("sorted排序后的数组，不会对原列表有任何影响：",numList)
getList=sorted(numList)
print("sorted获得的新的列表：",getList)

结果为：

2.Pytorch里addmm()和addmm_()

这里参考的是

函数解释：在torch/_C/_VariableFunctions.py的有该定义，意义就是实现一下公式：

换句话说，就是需要传入5个参数，mat里的每个元素乘以beta，mat1和mat2进行矩阵乘法（左行乘右列）后再乘以alpha，最后将这2个结果加在一起。

def addmm(self, beta=1, mat, alpha=1, mat1, mat2, out=None): # real signature unknown; restored from __doc__        

Example::
        
            >>> M = torch.randn(2, 3)
            >>> mat1 = torch.randn(2, 3)
            >>> mat2 = torch.randn(3, 3)
            >>> torch.addmm(M, mat1, mat2)
            tensor([[-4.8716,  1.4671, -1.3746],
                    [ 0.7573, -3.9555, -2.8681]])

pass

首先介绍一下两矩阵相乘：

得到的结果为：

1. 不加参数形式为：

torch.addmm(input, mat1, mat2) = inputs.addmm(mat1, mat2)

完成的公式为：

1 × inputs + 1 ×（inputs_t @ inputs_t）

2. 另外加上一个参数beta的形式：

'''1 * inputs + 1 * (inputs_t @ inputs_t)'''
g = inputs.addmm(1, inputs_t, inputs_t)
'''2 * inputs + 1 * (inputs_t @ inputs_t)'''
g2 = inputs.addmm(2, inputs_t, inputs_t)

加一个参数，实际上是添加了beta这个参数

完成的公式为：

g = 1 × inputs + 1 ×（inputs_t @ inputs_t）

g2 = 2 × inputs + 1 ×（inputs_t @ inputs_t）

3. 再加上一个参数了alpha的表示形式为：

'''h = 1 * inputs + 1 * (inputs_t @ inputs_t)'''
h = inputs.addmm(1, 1, inputs_t, inputs_t)
'''h12 = 1 * inputs + 2 * (inputs_t @ inputs_t)'''
h12 = inputs.addmm(1, 2, inputs_t, inputs_t)
'''h21 = 2 * inputs + 1 * (inputs_t @ inputs_t)'''
h21 = inputs.addmm(2, 1, inputs_t, inputs_t)

再加一个参数，实际上是添加了alpha这个参数

完成的公式为：

h = 1 × inputs + 1 ×（inputs_t @ inputs_t）

h12 = 1 × inputs + 2 ×（inputs_t @ inputs_t）

h21 = 2 × inputs + 1 ×（inputs_t @ inputs_t）

addmm_()的操作和addmm()函数功能相同，区别就是addmm_()有inplace的操作，也就是在原对象基础上进行修改，即把改变之后的变量再赋给原来的变量。例如：
inputs的值变成了改变之后的值，不用再去写 某个变量=addmm_() 了，因为inputs就是改变之后的变量！

3. torch.stack()

对于torch.stack()用法，d=torch.stack( (a,b,c) ,dim = 2) 首先定义三个矩阵

如果我想把这三个tensor的最后一个维度的元素相叠加，形成一个新的tensor

输入 d=torch.stack( (a,b,c) ,dim = 2)

然后看一下操作后的结果

n=torch.stack((a,b,c),dim = 0)
print('n',n)
m=torch.stack((a,b,c),dim = 1)
print('m',m)
d=torch.stack( (a,b,c) ,dim = 2)
print('d',d)

从上面我们可以看到结果，由结果可知：

stack函数中 dim=2，也即第三个维度，即最终的生成结果位于第三个维度，而不是说原来的元素是第三个维度。

pytorch中维度的命名是从0开始的对于三维矩阵将最后一个维度还有另外一种写法，写dim=-1，不管你原来是啥，我就指定最后一个维度：

也就是说无论是矩阵是几维的，dim=-1就是最后一维，dim=-2就是倒数第二维，