如何用pytorch深度学习第二章——基本运算操作1

这里讲的是用torch来如何运用基本运算操作
废话不多说 上代码

1. 导入PyTorch库：

   import torch
   

2. torch.randint函数生成随机整数张量：

   a = torch.randint(1, 5, (2, 3))
   b = torch.randint(1, 5, (2, 3))
   

   这里使用torch.randint函数生成两个随机整数张量a和b。torch.randint的第一个参数是随机数的最小值，第二个参数是最大值（不包含），第三个参数是张量的形状。所以这里生成的是两个2x3的张量，其中的元素是1到4之间的随机整数。

3. 打印张量a和b：

   print("a的输出：\n", a)
   print("b的输出：\n", b)
   
   执行a的输出：
    tensor([[3, 2, 2],
        [3, 1, 4]])
   执行b的输出：
    tensor([[1, 2, 4],
        [2, 1, 4]])
   
   

   这两行代码打印出张量a和b的内容。

4. 张量相加：

   c = torch.add(a, b)
   print("c的输出：\n", c)
   执行c的输出：
   tensor([[4, 4, 6],
        [5, 2, 8]])
   

   这里使用torch.add函数将张量a和b相加，得到新的张量c。

5. 创建3x5的全1张量：

   tensor = torch.ones(3, 5)
   print("tensor的输出：\n", tensor)
   tensor的输出：
   tensor([[1., 1., 1., 1., 1.],
        [1., 1., 1., 1., 1.],
        [1., 1., 1., 1., 1.]])
   

   这里使用torch.ones函数创建一个3x5的全1张量。

6. 矩阵乘法：

   a = a.float()
   d = torch.matmul(a, tensor)
   print("d的输出：\n", d)
   d的输出：
    tensor([[7., 7., 7., 7., 7.],
        [8., 8., 8., 8., 8.]])
   

   这里首先将张量a转换为浮点数类型（因为torch.matmul要求参与运算的张量必须是浮点数类型），然后使用torch.matmul函数进行矩阵乘法运算，得到新的张量d。