主頁 > 知識庫 > pytorch單維篩選相乘的案例

pytorch單維篩選相乘的案例

m需要和篩選的結(jié)果維度相同

>0.5運行的結(jié)果與原來維度相同，結(jié)果是 0 1,0代不符合，1代表符合。

import torch
m=torch.Tensor([0.1,0.2,0.3]).cuda()
iou=torch.Tensor([0.5,0.6,0.7])
x= m * ((iou > 0.5).type(torch.cuda.FloatTensor))
print(x)

下面是把第一條與第二條變成了2：

import torch
m=torch.Tensor([0.1,0.2,0.3]).cuda()
iou=torch.Tensor([0.5,0.6,0.7])
a=iou > 0.5
m[[0,1,1]]=2
print(m)

下面的結(jié)果：0.2與0.3改為了2

import torch
m=torch.Tensor([0.1,0.2,0.3]).cuda()
iou=torch.Tensor([0.5,0.6,0.7])
a=iou > 0.5
m[a]=2
print(m)

補充：torch.Tensor的4種乘法

torch.Tensor有4種常見的乘法：*, torch.mul, torch.mm, torch.matmul. 本文拋磚引玉，簡單敘述一下這4種乘法的區(qū)別，具體使用還是要參照官方文檔。

點乘

a與b做*乘法，原則是如果a與b的size不同，則以某種方式將a或b進(jìn)行復(fù)制，使得復(fù)制后的a和b的size相同，然后再將a和b做element-wise的乘法。

下面以*標(biāo)量和*一維向量為例展示上述過程。

* 標(biāo)量

Tensor與標(biāo)量k做*乘法的結(jié)果是Tensor的每個元素乘以k（相當(dāng)于把k復(fù)制成與lhs大小相同，元素全為k的Tensor）.

>>> a = torch.ones(3,4)
>>> a
tensor([[1., 1., 1., 1.],
        [1., 1., 1., 1.],
        [1., 1., 1., 1.]])
>>> a * 2
tensor([[2., 2., 2., 2.],
        [2., 2., 2., 2.],
        [2., 2., 2., 2.]])

* 一維向量

Tensor與行向量做*乘法的結(jié)果是每列乘以行向量對應(yīng)列的值（相當(dāng)于把行向量的行復(fù)制，成為與lhs維度相同的Tensor）. 注意此時要求Tensor的列數(shù)與行向量的列數(shù)相等。

>>> a = torch.ones(3,4)
>>> a
tensor([[1., 1., 1., 1.],
        [1., 1., 1., 1.],
        [1., 1., 1., 1.]])
>>> b = torch.Tensor([1,2,3,4])
>>> b
tensor([1., 2., 3., 4.])
>>> a * b
tensor([[1., 2., 3., 4.],
        [1., 2., 3., 4.],
        [1., 2., 3., 4.]])

Tensor與列向量做*乘法的結(jié)果是每行乘以列向量對應(yīng)行的值（相當(dāng)于把列向量的列復(fù)制，成為與lhs維度相同的Tensor）. 注意此時要求Tensor的行數(shù)與列向量的行數(shù)相等。

>>> a = torch.ones(3,4)
>>> a
tensor([[1., 1., 1., 1.],
        [1., 1., 1., 1.],
        [1., 1., 1., 1.]])
>>> b = torch.Tensor([1,2,3]).reshape((3,1))
>>> b
tensor([[1.],
        [2.],
        [3.]])
>>> a * b
tensor([[1., 1., 1., 1.],
        [2., 2., 2., 2.],
        [3., 3., 3., 3.]])

* 矩陣

經(jīng)Arsmart在評論區(qū)提醒，增補一個矩陣 * 矩陣的例子，感謝Arsmart的熱心評論！

如果兩個二維矩陣A與B做點積A * B，則要求A與B的維度完全相同，即A的行數(shù)=B的行數(shù)，A的列數(shù)=B的列數(shù)

>>> a = torch.tensor([[1, 2], [2, 3]])
>>> a * a
tensor([[1, 4],
        [4, 9]])

broadcast

點積是broadcast的。broadcast是torch的一個概念，簡單理解就是在一定的規(guī)則下允許高維Tensor和低維Tensor之間的運算。broadcast的概念稍顯復(fù)雜，在此不做展開，可以參考官方文檔關(guān)于broadcast的介紹. 在torch.matmul里會有關(guān)于broadcast的應(yīng)用的一個簡單的例子。

這里舉一個點積broadcast的例子。在例子中，a是二維Tensor，b是三維Tensor，但是a的維度與b的后兩位相同，那么a和b仍然可以做點積，點積結(jié)果是一個和b維度一樣的三維Tensor，運算規(guī)則是：若c = a * b, 則c[i,*,*] = a * b[i, *, *]，即沿著b的第0維做二維Tensor點積，或者可以理解為運算前將a沿著b的第0維也進(jìn)行了expand操作，即a = a.expand(b.size()); a * b。

>>> a = torch.tensor([[1, 2], [2, 3]])
>>> b = torch.tensor([[[1,2],[2,3]],[[-1,-2],[-2,-3]]])
>>> a * b
tensor([[[ 1,  4],
         [ 4,  9]],
        [[-1, -4],
         [-4, -9]]])
>>> b * a
tensor([[[ 1,  4],
         [ 4,  9]],
        [[-1, -4],
         [-4, -9]]])

其實，上面提到的二維Tensor點積標(biāo)量、二維Tensor點積行向量，都是發(fā)生在高維向量和低維向量之間的，也可以看作是broadcast.

torch.mul

官方文檔關(guān)于torch.mul的介紹. 用法與*乘法相同，也是element-wise的乘法，也是支持broadcast的。

下面是幾個torch.mul的例子.

乘標(biāo)量

>>> a = torch.ones(3,4)
>>> a
tensor([[1., 1., 1., 1.],
        [1., 1., 1., 1.],
        [1., 1., 1., 1.]])
>>> a * 2
tensor([[2., 2., 2., 2.],
        [2., 2., 2., 2.],
        [2., 2., 2., 2.]])

乘行向量

>>> a = torch.ones(3,4)
>>> a
tensor([[1., 1., 1., 1.],
        [1., 1., 1., 1.],
        [1., 1., 1., 1.]])
>>> b = torch.Tensor([1,2,3,4])
>>> b
tensor([1., 2., 3., 4.])
>>> torch.mul(a, b)
tensor([[1., 2., 3., 4.],
        [1., 2., 3., 4.],
        [1., 2., 3., 4.]])

乘列向量

>>> a = torch.ones(3,4)
>>> a
tensor([[1., 1., 1., 1.],
        [1., 1., 1., 1.],
        [1., 1., 1., 1.]])
>>> b = torch.Tensor([1,2,3]).reshape((3,1))
>>> b
tensor([[1.],
        [2.],
        [3.]])
>>> torch.mul(a, b)
tensor([[1., 1., 1., 1.],
        [2., 2., 2., 2.],
        [3., 3., 3., 3.]])

乘矩陣

例1：二維矩陣 mul 二維矩陣

>>> a = torch.tensor([[1, 2], [2, 3]])
>>> torch.mul(a,a)
tensor([[1, 4],
        [4, 9]])

例2：二維矩陣 mul 三維矩陣（broadcast）

>>> a = torch.tensor([[1, 2], [2, 3]])
>>> b = torch.tensor([[[1,2],[2,3]],[[-1,-2],[-2,-3]]])
>>> torch.mul(a,b)
tensor([[[ 1,  4],
         [ 4,  9]],
        [[-1, -4],
         [-4, -9]]])

torch.mm

官方文檔關(guān)于torch.mm的介紹. 數(shù)學(xué)里的矩陣乘法，要求兩個Tensor的維度滿足矩陣乘法的要求.

例子：

>>> a = torch.ones(3,4)
>>> b = torch.ones(4,2)
>>> torch.mm(a, b)
tensor([[4., 4.],
        [4., 4.],
        [4., 4.]])

torch.matmul

官方文檔關(guān)于torch.matmul的介紹. torch.mm的broadcast版本.

例子：

>>> a = torch.ones(3,4)
>>> b = torch.ones(5,4,2)
>>> torch.matmul(a, b)
tensor([[[4., 4.],
         [4., 4.],
         [4., 4.]],
        [[4., 4.],
         [4., 4.],
         [4., 4.]],
        [[4., 4.],
         [4., 4.],
         [4., 4.]],
        [[4., 4.],
         [4., 4.],
         [4., 4.]],
        [[4., 4.],
         [4., 4.],
         [4., 4.]]])

同樣的a和b，使用torch.mm相乘會報錯

>>> torch.mm(a, b)
Traceback (most recent call last):
  File "stdin>", line 1, in module>
RuntimeError: matrices expected, got 2D, 3D tensors at /pytorch/aten/src/TH/generic/THTensorMath.cpp:2065

以上這篇pytorch單維篩選相乘的案例就是小編分享給大家的全部內(nèi)容了，希望能給大家一個參考，也希望大家多多支持腳本之家。

您可能感興趣的文章:

PyTorch 對應(yīng)點相乘、矩陣相乘實例
使用pytorch 篩選出一定范圍的值
在PyTorch中Tensor的查找和篩選例子

標(biāo)簽：長沙山西山西濟(jì)南海南喀什安康崇左

巨人網(wǎng)絡(luò)通訊聲明：本文標(biāo)題《pytorch單維篩選相乘的案例》，本文關(guān)鍵詞；如發(fā)現(xiàn)本文內(nèi)容存在版權(quán)問題，煩請?zhí)峁┫嚓P(guān)信息告之我們，我們將及時溝通與處理。本站內(nèi)容系統(tǒng)采集于網(wǎng)絡(luò)，涉及言論、版權(quán)與本站無關(guān)。