深度学习|pytorch基本运算-乘除法和幂运算

【1】引言

前序学习进程中，已经对pytorch张量数据的生成和广播做了详细探究，文章链接为：

深度学习|pytorch基本运算-CSDN博客

深度学习|pytorch基本运算-广播失效-CSDN博客

上述探索的内容还止步于张量的加减法，在此基础上，今天先一起探索张量的乘除法，然后是幂运算。

【2】乘除法

pytorch张量的乘除法运算使用的运算符分别是“*”和“/”，乘除法与加减法运算一致，都是按照同一位置元素相互乘除的方式展开运算，代码有：

# 导入包
import torch
# 生成多维张量
y=torch.tensor([[1,2,3],
               [1,2,3],
                [1,2,3]])
z=torch.tensor([
    [3,3,3],
    [2,2,2],
    [1,1,1]
])
#打印
print('y=',y)
print('z=',z)
# 乘法
a=y*z
print('a=',a)
# 除法
b=y/z
print('b=',b)

代码运行后的结果为：

图1 pytorch张量对位乘除 

图1 现实的结果清楚表明：pytorch张量乘除运算时遵守对位法则，同一位置的元素相互乘除获得新张量。

【3】幂运算

pytorch幂运算作为乘除法的一种高阶运算，运算符是“**”，遵循对位运算的基本法则，代码：

# 导入包
import torch
# 生成多维张量
y=torch.tensor([[1,2,3],
               [1,2,3],
                [1,2,3]])
z=torch.tensor([
    [3,3,3],
    [2,2,2],
    [1,1,1]
])
#打印
print('y=',y)
print('z=',z)
# 幂运算
a=y**z
print('a=',a)

上述代码的运算结果为：

图2 pytorch张量对位幂运算  

由图2所示的结果可以看出，pytorch幂运算严格遵守了张量对位运算的法则。

【4】幂运算的广播

当两个幂运算的pytorch张量大小不一致时，在允许广播的前提下，pytorch张量会自动广播然后开展运算，代码：

# 导入包
import torch
# 生成多维张量
y=torch.tensor([[1,2,3],
               [1,2,3],
                [1,2,3]])
z=torch.tensor([
    [3],
    [2],
    [1]
])
#打印
print('y=',y)
print('z=',z)
# 幂运算
a=y**z
print('a=',a)

 代码运算的结果为：

图3 pytorch张量对位幂运算-广播效果 

对比图3和图2的运算效果，可见pytorch张量在完成广播运算后，保证张量各个元素均有对位元素，然后再执行了幂运算。

【5】总结

探索了pytorch张量的乘除法和幂运算，并对幂运算的广播效果进行了探究。