PyTorch 中的 pow
来源:dev.to
2025-01-06 13:03:11
0浏览
收藏
一分耕耘,一分收获!既然打开了这篇文章《PyTorch 中的 pow》,就坚持看下去吧!文中内容包含等等知识点...希望你能在阅读本文后,能真真实实学到知识或者帮你解决心中的疑惑,也欢迎大佬或者新人朋友们多留言评论,多给建议!谢谢!
请我喝杯咖啡☕
*备忘录:
- 我的帖子解释了 square()。
- 我的帖子解释了 float_power()。
- 我的帖子解释了abs()和sqrt()。
- 我的帖子解释了 gcd() 和 lcm()。
- 我的帖子解释了trace()、reciprocal() 和rsqrt()。
pow() 可以从零个或多个元素的 0d 或多个 d 张量中的两个或零个或多个元素的 0d 或多个 d 张量和标量中获得零次或多次幂的 0d 或多个 d 张量,如图所示下图:
*备忘录:
- pow() 可以与 torch 或张量一起使用。
- 第一个参数(输入)带有 torch(必需类型:int、float 或complex 的张量或标量)或使用张量(必需类型:int、float 或complex 的张量)。 *torch 必须使用没有输入的标量=。
- 带有 torch 的第二个参数或带有张量的第一个参数是指数(必需类型:张量或整数、浮点数或复数的标量)。 *不能使用负标量。
- torch 存在 out 参数(可选-默认:无-类型:张量):
*备注:
- 必须使用 out=。
- 我的帖子解释了论点。
- 不能使用标量(输入或张量)和标量(指数)的组合。
- 张量(输入(bool)或张量(bool))和标量(指数(bool))的组合有效。
import torch tensor1 = torch.tensor(-3) tensor2 = torch.tensor([-4, -3, -2, -1, 0, 1, 2, 3]) torch.pow(input=tensor1, exponent=tensor2) tensor1.pow(exponent=tensor2) # tensor([0, 0, 0, 0, 1, -3, 9, -27]) torch.pow(-3, exponent=tensor2) # tensor([0, 0, 0, 0, 1, -3, 9, -27]) torch.pow(input=tensor1, exponent=3) # tensor(-27) tensor1 = torch.tensor([-3, 1, -2, 3, 5, -5, 0, -4]) tensor2 = torch.tensor([-4, -3, -2, -1, 0, 1, 2, 3]) torch.pow(input=tensor1, exponent=tensor2) # tensor([0, 1, 0, 0, 1, -5, 0, -64]) torch.pow(-3, exponent=tensor2) # tensor([0, 0, 0, 0, 1, -3, 9, -27]) torch.pow(input=tensor1, exponent=3) # tensor([-27, 1, -8, 27, 125, -125, 0, -64]) tensor1 = torch.tensor([[-3, 1, -2, 3], [5, -5, 0, -4]]) tensor2 = torch.tensor([0, 1, 2, 3]) torch.pow(input=tensor1, exponent=tensor2) # tensor([[1, 1, 4, 27], [1, -5, 0, -64]]) torch.pow(-3, exponent=tensor2) # tensor([1, -3, 9, -27]) torch.pow(input=tensor1, exponent=3) # tensor([[-27, 1, -8, 27], [125, -125, 0, -64]]) tensor1 = torch.tensor([[[-3, 1], [-2, 3]], [[5, -5], [0, -4]]]) tensor2 = torch.tensor([2, 3]) torch.pow(input=tensor1, exponent=tensor2) # tensor([[[9, 1], [4, 27]], # [[25, -125], [0, -64]]]) torch.pow(-3, exponent=tensor2) # tensor([9, -27]) torch.pow(input=tensor1, exponent=3) # tensor([[[-27, 1], [-8, 27]], # [[125, -125], [0, -64]]]) tensor1 = torch.tensor([[[-3., 1.], [-2., 3.]], [[5., -5.], [0., -4.]]]) tensor2 = torch.tensor([2., 3.]) torch.pow(input=tensor1, exponent=tensor2) # tensor([[[9., 1.], [4., 27.]], # [[25., -125.], [0., -64.]]]) torch.pow(-3., exponent=tensor2) # tensor([9., -27.]) torch.pow(input=tensor1, exponent=3.) # tensor([[[-27., 1.], [-8., 27.]], # [[125., -125.], [0., -64.]]]) tensor1 = torch.tensor([[[-3.+0.j, 1.+0.j], [-2.+0.j, 3.+0.j]], [[5.+0.j, -5.+0.j], [0.+0.j, -4.+0.j]]]) tensor2 = torch.tensor([2.+0.j, 3.+0.j]) torch.pow(input=tensor1, exponent=tensor2) # tensor([[[9.0000+1.5736e-06j, 1.0000+0.0000e+00j], # [4.0000+6.9938e-07j, 27.0000+0.0000e+00j]], # [[25.0000+0.0000e+00j, -125.0000-2.9812e-06j], # [0.0000-0.0000e+00j, -64.0000-1.5264e-06j]]]) torch.pow(-3.+0.j, exponent=tensor2) # tensor([9.0000+1.5736e-06j, -27.0000-6.4394e-07j]) torch.pow(input=tensor1, exponent=3.+0.j) # tensor([[[-27.+0.j, 1.+0.j], # [-8.+0.j, 27.+0.j]], # [[125.+0.j, -125.+0.j], # [0.+0.j, -64.+0.j]]]) my_tensor = torch.tensor([[[True, False], [True, False]], [[False, True], [False, True]]]) torch.pow(input=my_tensor, exponent=True) # tensor([[[True, False], [True, False]], # [[False, True], [False, True]]])
今天关于《PyTorch 中的 pow》的内容就介绍到这里了,是不是学起来一目了然!想要了解更多关于的内容请关注golang学习网公众号!
版本声明
本文转载于:dev.to 如有侵犯,请联系study_golang@163.com删除

- 上一篇
- 有灵AOP平台首届编程挑战赛开启在即!CCF程序员大会赠票福利限时派送中!

- 下一篇
- 如何利用代理IP应对动态变化的反爬虫挑战?
查看更多
最新文章
-
- 文章 · python教程 | 22分钟前 |
- Python中id的作用与对象识别解析
- 138浏览 收藏
-
- 文章 · python教程 | 26分钟前 |
- Python多列排序技巧:sort_values实用教程
- 406浏览 收藏
-
- 文章 · python教程 | 34分钟前 |
- Python中ans是什么意思及使用场景
- 344浏览 收藏
-
- 文章 · python教程 | 50分钟前 |
- Python图像处理性能优化与并发实战
- 476浏览 收藏
-
- 文章 · python教程 | 52分钟前 |
- Python自动化办公:pyautogui实战教程
- 371浏览 收藏
-
- 文章 · python教程 | 1小时前 |
- YOLOv8图像尺寸适配解析与应用
- 392浏览 收藏
-
- 文章 · python教程 | 1小时前 |
- Python操作Redis事务详解
- 141浏览 收藏
-
- 文章 · python教程 | 1小时前 |
- PythonGUI自动化教程:PyAutoGUI使用详解
- 459浏览 收藏
-
- 文章 · python教程 | 1小时前 |
- PythonPyqt5开发教程:桌面应用入门指南
- 146浏览 收藏
-
- 文章 · python教程 | 1小时前 |
- Python计算百分比的实用方法
- 249浏览 收藏
查看更多
课程推荐
-
- 前端进阶之JavaScript设计模式
- 设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
- 542次学习
-
- GO语言核心编程课程
- 本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
- 511次学习
-
- 简单聊聊mysql8与网络通信
- 如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
- 498次学习
-
- JavaScript正则表达式基础与实战
- 在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
- 487次学习
-
- 从零制作响应式网站—Grid布局
- 本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
- 484次学习
查看更多
AI推荐
-
- 千音漫语
- 千音漫语,北京熠声科技倾力打造的智能声音创作助手,提供AI配音、音视频翻译、语音识别、声音克隆等强大功能,助力有声书制作、视频创作、教育培训等领域,官网:https://qianyin123.com
- 113次使用
-
- MiniWork
- MiniWork是一款智能高效的AI工具平台,专为提升工作与学习效率而设计。整合文本处理、图像生成、营销策划及运营管理等多元AI工具,提供精准智能解决方案,让复杂工作简单高效。
- 109次使用
-
- NoCode
- NoCode (nocode.cn)是领先的无代码开发平台,通过拖放、AI对话等简单操作,助您快速创建各类应用、网站与管理系统。无需编程知识,轻松实现个人生活、商业经营、企业管理多场景需求,大幅降低开发门槛,高效低成本。
- 126次使用
-
- 达医智影
- 达医智影,阿里巴巴达摩院医疗AI创新力作。全球率先利用平扫CT实现“一扫多筛”,仅一次CT扫描即可高效识别多种癌症、急症及慢病,为疾病早期发现提供智能、精准的AI影像早筛解决方案。
- 118次使用
-
- 智慧芽Eureka
- 智慧芽Eureka,专为技术创新打造的AI Agent平台。深度理解专利、研发、生物医药、材料、科创等复杂场景,通过专家级AI Agent精准执行任务,智能化工作流解放70%生产力,让您专注核心创新。
- 122次使用
查看更多
相关文章
-
- Flask框架安装技巧:让你的开发更高效
- 2024-01-03 501浏览
-
- Django框架中的并发处理技巧
- 2024-01-22 501浏览
-
- 提升Python包下载速度的方法——正确配置pip的国内源
- 2024-01-17 501浏览
-
- Python与C++:哪个编程语言更适合初学者?
- 2024-03-25 501浏览
-
- 品牌建设技巧
- 2024-04-06 501浏览