PyTorch：tensor-数学API

爱被打了一巴掌 2022-12-13 04:21 197阅读 0赞

[\-柚子皮-][-_-]

# 乘法API #

### 一维tensor相乘：torch.dot ###

这个只支持一维相同维度的向量相乘，不支持2维以上。

torch.dot(torch.tensor(\[2, 3\]), torch.tensor(\[2, 1\]))

Note: np.dot就有点类似下面的matmul，和torch.dot完全不一样。

\[TORCH.[DOT][]\]

### 二维tensor相乘：torch.mm ###

a是 \[m, k\]，b是\[k, n\]，结果是 \[m, n\]  
c = torch.mm(a, b)

### 三维tensor相乘torch.bmm ###

只能用于三维tensor相乘，这个函数不支持广播，也就是第一维必须相同，另外两维符合矩阵相乘法则  
c = torch.bmm(a, b)

### 任意多维tensor相乘：torch.matmul ###

等价于@运算符。

支持广播；当两个都是一维时，表示点积  
c = torch.matmul(a, b)

广播的意思同numpy，如ab维度为\[1,2,1152,1,8\]\[10,1,1152,8,16\]，则matmul结果c的维度为\[10,2,1152,1,16\]，即只有最后两维会执行一一的矩阵运算，其它都是取最大。

另外，如下例，\[2,3,1\]和\[2,1,3\]的结果维度是\[2,3,3\]。

利用这个可以实现规避batch维度功能，如想实现\[[https://zhuanlan.zhihu.com/p/55234968][https_zhuanlan.zhihu.com_p_55234968]\]中x0\*x0^t\*w0，假如inputs = batch\*feature\_dim = 2\*3，w0 = 3\*1这里不需要batch维度，则x\_l = x\_0 = inputs.unsqueeze(2)变成x\_0 = 2\*3\*1，x\_l^t = x0^t = 2\*1\*3，则xl\_w = torch.matmul(x\_l.transpose(1, 2), self.weight\[i\].unsqueeze(0))就是2\*1\*3 matmul 1\*3\*1，0维不管，结果是2\*1\*1，然后dot\_ = torch.matmul(x\_0, xl\_w)就是2\*3\*1 matmul 2\*1\*1，结果是2\*3\*1，正确。

### 按元素相乘/element-wise乘法：torch.mul /\* ###

两个相同尺寸的张量，对应元素相乘，就是哈达玛积，也叫element wise乘法。

1 element wise乘法是支持广播的，如维度为\[10,2,1152,1,16\]和\[10,2,1,1,16\]的张量相乘结果是取大的\[10,2,1152,1,16\]。

2 tensor \*\* 2 表示的含义是 tensor \* tensor，也是element wise乘法。

示例：

两种等价方式  
c = torch.mul(a, b)  
c = a \* b

Note: 可以发现的`torch.div()`其实就是`/`, 类似的：`torch.add`就是`+`,`torch.sub()`就是`-`,不过符号的运算更简单常用。

### 通用的张量相乘方法：torch.tensordot ###

tensordot是一种非常简单灵活的乘法计算函数。可以这样理解：输入数组a, b，通过参数axes指定要计算的维度（这里axes 是一个元组，里面必须有两个tuple元素 ，第一个元素是a要用于计算的 axis，第二个元素是b要用于计算的 axis）被参数axis指定的维度会执行sum-reduction，简单来说就是相乘之后求和这样被指定的axes将不会出现在输出中；而输入数组的其他维度将会变成输出数组的维度，对应的顺序和输入的顺序相同。  
c = torch.tensordot(a, b, dims)

\#\# 输入A和B，维度如size参数所示  
A = np.random.randint(2, size=(2, 6, 5))  
B = np.random.randint(2, size=(3, 2, 4))

\#\# 指定axes=((0), (1))，也就是说，  
\#\# 按A的axis=0的列和B的axis=1列取元素，对应元素相乘求和  
\#\# 于是两个维度从输出中消失  
np.tensordot(A, B, axes=((0),(1))).shape

np.tensordot(A, B, axes=((0),(1))).shape

Output: (6, 5, 3, 4)

A : (2, 6, 5) -> reduction of axis=0  
B : (3, 2, 4) -> reduction of axis=1

Output : \`(2, 6, 5)\`, \`(3, 2, 4)\` ===(2 gone)==> \`(6,5)\` + \`(3,4)\` => \`(6,5,3,4)\`

\[[Understanding tensordot][]\]

\[TORCH.[TENSORDOT][]\]

### 爱因斯坦求和约定einsum ###

求和简记法，能够以一种统一的方式表示各种各样的张量运算（内积、外积、转置、点乘、矩阵的迹、其他自定义运算），为不同运算的实现提供了一个统一模型。

**示例**

\# trace  
>>> torch.einsum('ii', torch.randn(4, 4))  
tensor(-1.2104)

\# diagonal  
>>> torch.einsum('ii->i', torch.randn(4, 4))  
tensor(\[-0.1034,  0.7952, -0.2433,  0.4545\])

\# outer product  
>>> x = torch.randn(5)  
>>> y = torch.randn(4)  
>>> torch.einsum('i,j->ij', x, y)  
tensor(\[\[ 0.1156, -0.2897, -0.3918,  0.4963\],  
        \[-0.3744,  0.9381,  1.2685, -1.6070\],  
        \[ 0.7208, -1.8058, -2.4419,  3.0936\],  
        \[ 0.1713, -0.4291, -0.5802,  0.7350\],  
        \[ 0.5704, -1.4290, -1.9323,  2.4480\]\])

其它：torch.einsum('bld,brd->blr', x, y)

\# batch matrix multiplication  
>>> As = torch.randn(3,2,5)  
>>> Bs = torch.randn(3,5,4)  
>>> torch.einsum('bij,bjk->bik', As, Bs)  
tensor(\[\[\[-1.0564, -1.5904,  3.2023,  3.1271\],  
        \[-1.6706, -0.8097, -0.8025, -2.1183\]\],

\[\[ 4.2239,  0.3107, -0.5756, -0.2354\],  
        \[-1.4558, -0.3460,  1.5087, -0.8530\]\],

\[\[ 2.8153,  1.8787, -4.3839, -1.2112\],  
        \[ 0.3728, -2.1131,  0.0921,  0.8305\]\]\])

\# batch permute  
>>> A = torch.randn(2, 3, 4, 5)  
>>> torch.einsum('...ij->...ji', A).shape  
torch.Size(\[2, 3, 5, 4\])

\# equivalent to torch.nn.functional.bilinear  
>>> A = torch.randn(3,5,4)  
>>> l = torch.randn(2,5)  
>>> r = torch.randn(2,4)  
>>> torch.einsum('bn,anm,bm->ba', l, A, r)  
tensor(\[\[-0.3430, -5.2405,  0.4494\],  
        \[ 0.3311,  5.5201, -3.0356\]\])

\[[einsum满足你一切需要：深度学习中的爱因斯坦求和约定][einsum]\]

xDeepFM中每层向量计算：即h个d维向量 点乘 m个d维向量，形成h\*m个d维向量。

x = torch.einsum('bhd,bmd->bhmd', hidden\_nn\_layers\[-1\], hidden\_nn\_layers\[0\])

\[torch.[einsum][einsum 1](equation, \*operands) → Tensor\]

[\-柚子皮-][-_-]

# TORCH.MAX #

形式： torch.[max][](input) → Tensor

返回输入tensor中所有元素的最大值：

a = torch.randn(1, 3)
    >>0.4729 -0.2266 -0.2085
    torch.max(a) #也可以写成a.max()
    >>0.4729

形式： torch.[max][](input, dim, keepdim=False, out=None) -> (Tensor, LongTensor)

参数：keepdim=True时，原size是(2,3)，返回时就不是(2,)或者(3,)而是(2,1)或者(1,3)。

dim参数：按维度dim 返回最大值，并且返回索引（dim未指定时，不返回索引）。

torch.max(a,0)返回每一列中最大值的那个元素，且返回索引（返回最大元素在这一列的行索引）。返回的最大值和索引各是一个tensor，一起构成元组(Tensor, LongTensor)。

torch.max()\[0\]， 只返回最大值的每个数。即一般用法tensor1.mean(dim=0).values。

troch.max()\[1\]， 只返回最大值的每个索引。

a = torch.randn(4, 4)  
tensor(\[\[-1.2360, -0.2942, -0.1222,  0.8475\],  
        \[ 1.1949, -1.1127, -2.2379, -0.6702\],  
        \[ 1.5717, -0.9207,  0.1297, -1.8768\],  
        \[-0.6172,  1.0036, -0.6060, -0.2432\]\])  
>>> torch.max(a, 1)  
torch.return\_types.max(values=tensor(\[0.8475, 1.1949, 1.5717, 1.0036\]), indices=tensor(\[3, 0, 0, 1\]))  
Note: 在有的地方我们会看到torch.max(a, 1).data.numpy()的写法，这是因为在早期的pytorch的版本中，variable变量和tenosr是不一样的数据格式，variable可以进行反向传播，tensor不可以，需要将variable转变成tensor再转变成numpy。现在的版本已经将variable和tenosr合并，所以只用torch.max(a,1).numpy()就可以了。

\[[torch.max()使用讲解][torch.max]\]

# TORCH.MEAN #

torch.[mean][](input) → Tensor

Returns the mean value of all elements in the input tensor.

torch.[mean][](input, dim, keepdim=False, \*, out=None) → Tensor  
Returns the mean value of each row of the input tensor in the given dimension dim. If dim is a list of dimensions, reduce over all of them.

和max区别在于返回的值只有一个tensor，没有最大值多余的位置索引tensor。

用法tensor1.mean(dim=0)。

### torch.softmax归一化 ###

对于n维张量，如果dim=k，那就是对k维度进行softmax（这时其它维度取固定值时，维度k上的值加起来为1。）。比k更高维度的d(d<k)是不需要考虑的，直接去掉分析。  
示例1：

t = torch.zeros(\[5,2,3\])  
t1 = torch.softmax(t, dim = 0)  
t1：  
tensor(\[\[\[0.2000, 0.2000, 0.2000\],  
         \[0.2000, 0.2000, 0.2000\]\],  
        \[\[0.2000, 0.2000, 0.2000\],  
         \[0.2000, 0.2000, 0.2000\]\],  
        \[\[0.2000, 0.2000, 0.2000\],  
         \[0.2000, 0.2000, 0.2000\]\],  
        \[\[0.2000, 0.2000, 0.2000\],  
         \[0.2000, 0.2000, 0.2000\]\],  
        \[\[0.2000, 0.2000, 0.2000\],  
         \[0.2000, 0.2000, 0.2000\]\]\])  
t1\[:,0,0\]  
tensor(\[0.2000, 0.2000, 0.2000, 0.2000, 0.2000\])  
sum(t1\[:,0,0\])  
tensor(1.)

图的表示为（只对立方体中的k维度进行）：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3BpcGlzb3JyeQ_size_16_color_FFFFFF_t_70][]

示例2：如果有更高维度不用管  
t = torch.zeros(\[4,5,2,3\])  
t1 = torch.softmax(t, dim = 1)  
sum(t1\[0,:,0,0\])  
tensor(1.)  
示例3：

对2个维度同时进行softmax（即其它维度固定时，这2个维度的值加起来为1）。  
t = torch.zeros(\[4,5,2,3\])  
\# t1 = torch.softmax(t, dim = (1,2))， dim只能是数字，下面就是要模拟这个操作。  
t1 = t.view(t.size(0), -1, t.size()\[-1\])  
t2 = torch.softmax(t1, dim = 1).view(t.size())  
t2\[0,:,:,0\].sum()  
Out\[14\]: tensor(1.0000)  
\# sum(t2\[0,:,:,0\])  
\# Out\[13\]: tensor(\[0.5000, 0.5000\])

\[torch.nn.[Softmax][](dim=None)\]

from: [\-柚子皮-][-_-]

ref: \[[\[Pytorch和Tensorflow对比（一）\]：乘法、正则化][Pytorch_Tensorflow]\]

[-_-]: https://me.csdn.net/pipisorry
[DOT]: https://pytorch.org/docs/stable/generated/torch.dot.html
[https_zhuanlan.zhihu.com_p_55234968]: https://zhuanlan.zhihu.com/p/55234968
[Understanding tensordot]: https://stackoverflow.com/questions/41870228/understanding-tensordot
[TENSORDOT]: https://pytorch.org/docs/stable/generated/torch.tensordot.html
[einsum]: https://zhuanlan.zhihu.com/p/44954540
[einsum 1]: https://pytorch.org/docs/master/generated/torch.einsum.html
[max]: https://pytorch.org/docs/stable/generated/torch.max.html
[torch.max]: https://www.jianshu.com/p/3ed11362b54f
[mean]: https://pytorch.org/docs/stable/generated/torch.mean.html
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3BpcGlzb3JyeQ_size_16_color_FFFFFF_t_70]: /images/20221123/210467581c7e4b4d90bbe3bea435d51f.png
[Softmax]: https://pytorch.org/docs/stable/generated/torch.nn.Softmax.html?highlight=softmax
[Pytorch_Tensorflow]: https://zhuanlan.zhihu.com/p/77113823