当前位置 博文首页 > 文章内容

    pytorch单维筛选 相乘的案例

    作者:21344 栏目:未分类 时间:2021-04-08 14:44:13

    m需要和筛选的结果维度相同

    >0.5运行的结果与原来维度相同,结果是 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)
    

    下面是把第一条与第二条变成了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)
    

    下面的结果:0.2与0.3改为了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)
    

    补充:torch.Tensor的4种乘法

    torch.Tensor有4种常见的乘法:*, torch.mul, torch.mm, torch.matmul. 本文抛砖引玉,简单叙述一下这4种乘法的区别,具体使用还是要参照官方文档

    点乘

    a与b做*乘法,原则是如果a与b的size不同,则以某种方式将a或b进行复制,使得复制后的a和b的size相同,然后再将a和b做element-wise的乘法。

    下面以*标量和*一维向量为例展示上述过程。

    * 标量

    Tensor与标量k做*乘法的结果是Tensor的每个元素乘以k(相当于把k复制成与lhs大小相同,元素全为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.]])

    * 一维向量

    Tensor与行向量做*乘法的结果是每列乘以行向量对应列的值(相当于把行向量的行复制,成为与lhs维度相同的Tensor). 注意此时要求Tensor的列数与行向量的列数相等。

    >>> 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与列向量做*乘法的结果是每行乘以列向量对应行的值(相当于把列向量的列复制,成为与lhs维度相同的Tensor). 注意此时要求Tensor的行数与列向量的行数相等。

    >>> 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.]])

    * 矩阵

    经Arsmart在评论区提醒,增补一个矩阵 * 矩阵的例子,感谢Arsmart的热心评论!

    如果两个二维矩阵A与B做点积A * B,则要求A与B的维度完全相同,即A的行数=B的行数,A的列数=B的列数

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

    broadcast

    点积是broadcast的。broadcast是torch的一个概念,简单理解就是在一定的规则下允许高维Tensor和低维Tensor之间的运算。broadcast的概念稍显复杂,在此不做展开,可以参考官方文档关于broadcast的介绍. 在torch.matmul里会有关于broadcast的应用的一个简单的例子。

    这里举一个点积broadcast的例子。在例子中,a是二维Tensor,b是三维Tensor,但是a的维度与b的后两位相同,那么a和b仍然可以做点积,点积结果是一个和b维度一样的三维Tensor,运算规则是:若c = a * b, 则c[i,*,*] = a * b[i, *, *],即沿着b的第0维做二维Tensor点积,或者可以理解为运算前将a沿着b的第0维也进行了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]]])
    

    其实,上面提到的二维Tensor点积标量、二维Tensor点积行向量,都是发生在高维向量和低维向量之间的,也可以看作是broadcast.

    torch.mul

    官方文档关于torch.mul的介绍. 用法与*乘法相同,也是element-wise的乘法,也是支持broadcast的。

    下面是几个torch.mul的例子.

    乘标量

    >>> 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.]])

    乘矩阵

    例1:二维矩阵 mul 二维矩阵

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

    例2:二维矩阵 mul 三维矩阵(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

    官方文档关于torch.mm的介绍. 数学里的矩阵乘法,要求两个Tensor的维度满足矩阵乘法的要求.

    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

    官方文档关于torch.matmul的介绍. 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.]]])
    

    同样的a和b,使用torch.mm相乘会报错

    >>> 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

    以上这篇pytorch单维筛选 相乘的案例就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持IIS7站长之家博文。