Computer >> कंप्यूटर ट्यूटोरियल >  >> प्रोग्रामिंग >> Python

PyTorch में टेंसर्स पर एलिमेंट-वाइज मल्टीप्लिकेशन कैसे करें?


torch.mul() मेथड का उपयोग PyTorch में टेंसर्स पर एलिमेंट-वाइज मल्टीप्लिकेशन करने के लिए किया जाता है। यह टेंसर्स के संबंधित एलिमेंट्स को गुणा करता है। हम दो या अधिक टेंसर्स को गुणा कर सकते हैं। हम स्केलर और टेंसर्स को भी गुणा कर सकते हैं। समान या अलग-अलग डायमेंशन वाले टेंसर्स को भी गुणा किया जा सकता है। अंतिम टेंसर का डायमेंशन उच्च-डायमेंशनल टेंसर के डायमेंशन के समान होगा। टेंसर्स पर एलिमेंट-वाइज मल्टीप्लिकेशन को हैडमार्ड प्रोडक्ट के रूप में भी जाना जाता है।

चरण

  • आवश्यक लाइब्रेरी इम्पोर्ट करें। निम्नलिखित सभी पायथन उदाहरणों में आवश्यक पायथन लाइब्रेरी torch है। सुनिश्चित करें कि आपने इसे पहले से इंस्टॉल कर लिया है।

  • दो या अधिक PyTorch टेंसर्स को परिभाषित करें और उन्हें प्रिंट करें। यदि आप स्केलर मात्रा को गुणा करना चाहते हैं, तो उसे परिभाषित करें।

  • torch.mul() का उपयोग करके दो या अधिक टेंसर्स को गुणा करें और मान को एक नए वेरिएबल में असाइन करें। आप स्केलर मात्रा और टेंसर को भी गुणा कर सकते हैं। इस मेथड का उपयोग करके टेंसर्स को गुणा करने से मूल टेंसर्स में कोई परिवर्तन नहीं होता है।

  • अंतिम टेंसर को प्रिंट करें।

उदाहरण 1

निम्नलिखित प्रोग्राम दिखाता है कि स्केलर को टेंसर से कैसे गुणा किया जाता है। समान परिणाम टेंसर का उपयोग करके भी प्राप्त किया जा सकता है।

# Python program to perform element-wise multiplication # import the required library import torch # Create a tensor t = torch.Tensor([2.05, 2.03, 3.8, 2.29]) print("Original Tensor t:\n", t) # Multiply a scalar value to a tensor v = torch.mul(t, 7) print("Element-wise multiplication result:\n", v) # Same result can also be obtained as below t1 = torch.Tensor([7]) w = torch.mul(t, t1) print("Element-wise multiplication result:\n", w) # other way to do above operation t2 = torch.Tensor([7,7,7,7]) x = torch.mul(t, t2) print("Element-wise multiplication result:\n", x)

आउटपुट

Original Tensor t: tensor([2.0500, 2.0300, 3.8000, 2.2900]) Element-wise multiplication result: tensor([14.3500, 14.2100, 26.6000, 16.0300]) Element-wise multiplication result: tensor([14.3500, 14.2100, 26.6000, 16.0300]) Element-wise multiplication result: tensor([14.3500, 14.2100, 26.6000, 16.0300])

उदाहरण 2

निम्नलिखित पायथन प्रोग्राम दिखाता है कि 2D टेंसर को 1D टेंसर से कैसे गुणा किया जाता है।

import torch # Create a 2D tensor T1 = torch.Tensor([[3,2],[7,5]]) # Create a 1-D tensor T2 = torch.Tensor([10, 8]) print("T1:\n", T1) print("T2:\n", T2) # Multiply 1-D tensor with 2-D tensor v = torch.mul(T1, T2) # v = torch.mul(T2,T1) print("Element-wise multiplication result:\n", v)

आउटपुट

T1: tensor([[3., 2.], [7., 5.]]) T2: tensor([10., 8.]) Element-wise multiplication result: tensor([[30., 16.], [70., 40.]])

उदाहरण 3

निम्नलिखित पायथन प्रोग्राम दिखाता है कि दो 2D टेंसर्स को कैसे गुणा किया जाता है।

import torch # create two 2-D tensors T1 = torch.Tensor([[8,7],[3,4]]) T2 = torch.Tensor([[0,3],[4,9]]) print("T1:\n", T1) print("T2:\n", T2) # Multiply above two 2-D tensors v = torch.mul(T1,T2) print("Element-wise subtraction result:\n", v)

आउटपुट

T1: tensor([[8., 7.], [3., 4.]]) T2: tensor([[0., 3.], [4., 9.]]) Element-wise subtraction result: tensor([[ 0., 21.], [12., 36.]])

  1. विंडोज 10 में क्लीन बूट कैसे करें विंडोज 10 में क्लीन बूट कैसे करें

    विंडोज विभिन्न सेटिंग्स, प्रोग्राम्स और ड्राइवर्स के साथ प्रीलोडेड आता है जो आपके पीसी को सुचारू रूप से चलाने के लिए एक साथ इंटरैक्ट करते हैं। दुर्भाग्य से, यह मिश्रित वातावरण आमतौर पर कम्पैटिबिलिटी मुद्दों और सॉफ़्टवेयर संघर्षों की ओर ले जाता है जो विभिन्न तरीकों से प्रकट होते हैं। परिणाम यह है कि

  1. PyTorch में टेंसर का हिस्टोग्राम कैसे निकालें? PyTorch में टेंसर का हिस्टोग्राम कैसे निकालें?

    टेंसर का हिस्टोग्राम torch.histc() का उपयोग करके निकाला जाता है। यह हिस्टोग्राम को टेंसर के रूप में दर्शाता है। यह चार पैरामीटर लेता है: input, bins, min और max. यह तत्वों को min और max के बीच समान चौड़ाई के बिन में क्रमबद्ध करता है। यह min से छोटे और max से बड़े तत्वों को अनदेखा करता है। चरण आवश्

  1. इमेज को PyTorch टेंसर में कैसे बदलें? इमेज को PyTorch टेंसर में कैसे बदलें?

    PyTorch टेंसर एक n-डायमेंशनल ऐरे (मैट्रिक्स) होता है जिसमें एक ही डेटा टाइप के एलिमेंट्स होते हैं। टेंसर नम्पी ऐरे जैसा होता है। नम्पी ऐरे और PyTorch टेंसर्स के बीच अंतर यह है कि टेंसर संख्यात्मक गणनाओं को तेज करने के लिए GPU का उपयोग करते हैं। त्वरित गणनाओं के लिए, इमेज को टेंसर्स में बदला जाता है।