使用PyTorch求平方根報錯如何解決

使用PyTorch求平方根報錯如何解決？針對這個問題，這篇文章詳細介紹了相對應的分析和解答，希望可以幫助更多想解決這個問題的小伙伴找到更簡單易行的方法。

問題描述

初步使用PyTorch進行平方根計算，通過range()創建一個張量，然后對其求平方根。

a = torch.tensor(list(range(9)))
b = torch.sqrt(a)

報出以下錯誤：

RuntimeError: sqrt_vml_cpu not implemented for 'Long'

原因

Long類型的數據不支持log對數運算, 為什么Tensor是Long類型? 因為創建List數組時默認使用的是int, 所以從List轉成torch.Tensor后, 數據類型變成了Long。

print(a.dtype)

torch.int64

解決方法

提前將數據類型指定為浮點型, 重新執行：

b = torch.sqrt(a.to(torch.double))
print(b)

tensor([0.0000, 1.0000, 1.4142, 1.7321, 2.0000, 2.2361, 2.4495, 2.6458, 2.8284], dtype=torch.float64)

補充：pytorch20 pytorch常見運算詳解

矩陣與標量

這個是矩陣（張量）每一個元素與標量進行操作。

import torch
a = torch.tensor([1,2])
print(a+1)
>>> tensor([2, 3])

哈達瑪積

這個就是兩個相同尺寸的張量相乘，然后對應元素的相乘就是這個哈達瑪積，也成為element wise。

a = torch.tensor([1,2])
b = torch.tensor([2,3])
print(a*b)
print(torch.mul(a,b))
>>> tensor([2, 6])
>>> tensor([2, 6])

這個torch.mul()和*是等價的。

當然，除法也是類似的：

a = torch.tensor([1.,2.])
b = torch.tensor([2.,3.])
print(a/b)
print(torch.div(a/b))
>>> tensor([0.5000, 0.6667])
>>> tensor([0.5000, 0.6667])

我們可以發現的torch.div()其實就是/, 類似的：torch.add就是+,torch.sub()就是-,不過符號的運算更簡單常用。

矩陣乘法

如果我們想實現線性代數中的矩陣相乘怎么辦呢？

這樣的操作有三個寫法:

torch.mm()

torch.matmul()

@，這個需要記憶，不然遇到這個可能會挺蒙蔽的

a = torch.tensor([[1.],[2.]])
b = torch.tensor([2.,3.]).view(1,2)
print(torch.mm(a, b))
print(torch.matmul(a, b))
print(a @ b)

這是對二維矩陣而言的，假如參與運算的是一個多維張量，那么只有torch.matmul()可以使用。等等，多維張量怎么進行矩陣的乘法？在多維張量中，參與矩陣運算的其實只有后兩個維度，前面的維度其實就像是索引一樣，舉個例子：

a = torch.rand((1,2,64,32))
b = torch.rand((1,2,32,64))
print(torch.matmul(a, b).shape)
>>> torch.Size([1, 2, 64, 64])

a = torch.rand((3,2,64,32))
b = torch.rand((1,2,32,64))
print(torch.matmul(a, b).shape)
>>> torch.Size([3, 2, 64, 64])

這樣也是可以相乘的，因為這里涉及一個自動傳播Broadcasting機制，這個在后面會講，這里就知道，如果這種情況下，會把b的第一維度復制3次 ，然后變成和a一樣的尺寸，進行矩陣相乘。

冪與開方

print('冪運算')
a = torch.tensor([1.,2.])
b = torch.tensor([2.,3.])
c1 = a ** b
c2 = torch.pow(a, b)
print(c1,c2)
>>> tensor([1., 8.]) tensor([1., 8.])

和上面一樣，不多說了。開方運算可以用torch.sqrt()，當然也可以用a**(0.5)。

對數運算

在上學的時候，我們知道ln是以e為底的，但是在pytorch中，并不是這樣。

pytorch中log是以e自然數為底數的，然后log2和log10才是以2和10為底數的運算。

import numpy as np
print('對數運算')
a = torch.tensor([2,10,np.e])
print(torch.log(a))
print(torch.log2(a))
print(torch.log10(a))
>>> tensor([0.6931, 2.3026, 1.0000])
>>> tensor([1.0000, 3.3219, 1.4427])
>>> tensor([0.3010, 1.0000, 0.4343])

近似值運算

.ceil() 向上取整

.floor()向下取整

.trunc()取整數

.frac()取小數

.round()四舍五入

.ceil() 向上取整.floor()向下取整.trunc()取整數.frac()取小數.round()四舍五入

a = torch.tensor(1.2345)
print(a.ceil())
>>>tensor(2.)
print(a.floor())
>>> tensor(1.)
print(a.trunc())
>>> tensor(1.)
print(a.frac())
>>> tensor(0.2345)
print(a.round())
>>> tensor(1.)

剪裁運算

這個是讓一個數，限制在你自己設置的一個范圍內[min,max],小于min的話就被設置為min，大于max的話就被設置為max。這個操作在一些對抗生成網絡中，好像是WGAN-GP,通過強行限制模型的參數的值。

a = torch.rand(5)
print(a)
print(a.clamp(0.3,0.7))

pytorch的優點

1.PyTorch是相當簡潔且高效快速的框架；2.設計追求最少的封裝；3.設計符合人類思維，它讓用戶盡可能地專注于實現自己的想法；4.與google的Tensorflow類似，FAIR的支持足以確保PyTorch獲得持續的開發更新；5.PyTorch作者親自維護的論壇 供用戶交流和求教問題6.入門簡單

關于使用PyTorch求平方根報錯如何解決問題的解答就分享到這里了，希望以上內容可以對大家有一定的幫助，如果你還有很多疑惑沒有解開，可以關注億速云行業資訊頻道了解更多相關知識。