百度怎么建设网站,常用的电子商务网站,沈阳网站建设的公司哪家好,网站系统名称怎么填目录1 爱因斯坦求和由来2 爱因斯坦求和原理3 实例#xff1a;字母表示法3.1 向量运算3.2 矩阵运算3.3 张量运算4 实例#xff1a;常量表示法4.1 向量运算4.2 矩阵运算4.3 张量运算1 爱因斯坦求和由来 爱因斯坦求和约定(Einstein summation convention)是一种标记的约定#…
目录1 爱因斯坦求和由来2 爱因斯坦求和原理3 实例字母表示法3.1 向量运算3.2 矩阵运算3.3 张量运算4 实例常量表示法4.1 向量运算4.2 矩阵运算4.3 张量运算1 爱因斯坦求和由来 爱因斯坦求和约定(Einstein summation convention)是一种标记的约定又称为爱因斯坦标记法(Einstein notation)在处理关于坐标的方程式时非常有用。这约定是由阿尔伯特·爱因斯坦于1916年提出的。后来爱因斯坦与友人半开玩笑地说“这是数学史上的一大发现若不信的话可以试着返回那不使用这方法的古板日子。” 采用爱因斯坦求和约定可以使数学表达式显得简洁明快。
在深度学习中经常涉及高阶张量运算普通代数方法(如矩阵乘法)相对冗杂因此引入爱因斯坦求和约定其核心原理是将张量下标划分为自由标(free index)和哑标(dummy index)通过遍历自由标而对哑标逐元相乘求和的方式进行张量运算。
2 爱因斯坦求和原理
爱因斯坦求和原理并不复杂具体而言可以用下图来通俗理解定义
自由标在输入输出侧都出现且各出现一次的索引号哑标只在输入侧出现且出现两次的索引号。
输入、输出索引号的个数表示各参与运算张量的维度例如下图表示两个二维张量做求和运算输出一个二维张量。 3 实例字母表示法
3.1 向量运算
# 一维张量
a torch.tensor([1, 2, 3], dtypefloat)
b torch.tensor([4, 5, 6], dtypefloat)# 向量内积
print(向量内积:, torch.einsum(i, i -, a, b))
# 向量点乘
print(向量点乘:,torch.einsum(i, i - i, a, b))结果如下 向量内积: tensor(32., dtypetorch.float64)向量点乘: tensor([ 4., 10., 18.], dtypetorch.float64)3.2 矩阵运算
# 二维张量
c torch.tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9]], dtypefloat)
d torch.ones((3, 4), dtypefloat)# 矩阵乘法
print(矩阵乘法:, torch.einsum(ij, jk - ik, c, d))
# 转置
print(矩阵转置:, torch.einsum(ij - ji, c))
# 迹
print(迹:, torch.einsum(ii -, c))
# 对角元
print(对角元:, torch.einsum(ii - i, c))
# 矩阵按行求和
print(矩阵按行求和:, torch.einsum(ij - j, c))
# 矩阵按列求和
print(矩阵按列求和:, torch.einsum(ij - i, c))
# 矩阵所有元素求和
print(矩阵所有元素求和:, torch.einsum(ij -, c))
# 矩阵乘向量
print(矩阵乘向量:, torch.einsum(ij, j - i, c, a))结果如下 矩阵乘法: tensor([[ 6., 6., 6., 6.],[15., 15., 15., 15.],[24., 24., 24., 24.]], dtypetorch.float64) 矩阵转置: tensor([[1., 4., 7.],[2., 5., 8.],[3., 6., 9.]], dtypetorch.float64)迹: tensor(15., dtypetorch.float64)对角元: tensor([1., 5., 9.], dtypetorch.float64)矩阵按行求和: tensor([12., 15., 18.], dtypetorch.float64)矩阵按列求和: tensor([ 6., 15., 24.], dtypetorch.float64)矩阵所有元素求和: tensor(45., dtypetorch.float64)矩阵乘向量: tensor([14., 32., 50.], dtypetorch.float64)3.3 张量运算
# 高阶张量
e torch.arange(60.).reshape(5, 3, 4)
f torch.arange(24.).reshape(2, 4, 3)# 三维张量压缩
print(三维张量压缩:, torch.einsum(kij, lji - kl, e, f))结果如下 三维张量压缩: tensor([[ 440., 1232.],[ 1232., 3752.],[ 2024., 6272.],[ 2816., 8792.],[ 3608., 11312.]])4 实例常量表示法
以下结果同第三节不再赘述
4.1 向量运算 索引表示法
(张量后接输入索引, 最后是输出索引)# 一维张量
a np.array([1, 2, 3], dtypefloat)
b np.array([4, 5, 6], dtypefloat)# 向量内积
print(向量内积:, np.einsum(a, [0], b, [0]))
# 向量点乘
print(向量点乘:,np.einsum(a, [0], b, [0], [0]))4.2 矩阵运算
# 二维张量
c np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]], dtypefloat)
d np.ones((3, 4), dtypefloat)# 矩阵乘法
print(矩阵乘法:, np.einsum(c, [0, 1], d, [1, 2], [0, 2]))
# 转置
print(矩阵转置:, np.einsum(c, [0, 1], [1, 0]))
# 迹
print(迹:, np.einsum(c, [0, 0]))
# 对角元
print(对角元:, np.einsum(c, [0, 0], [0]))
# 矩阵按行求和
print(矩阵按行求和:, np.einsum(c, [0, 1], [1]))
# 矩阵按列求和
print(矩阵按列求和:, np.einsum(c, [0, 1], [0]))
# 矩阵所有元素求和
print(矩阵所有元素求和:, np.einsum(c, [0, 1]))
# 矩阵乘向量
print(矩阵乘向量:, np.einsum(c, [0, 1], a, [1], [0]))4.3 张量运算
# 高阶张量
e np.arange(60.).reshape(5, 3, 4)
f np.arange(24.).reshape(2, 4, 3)# 三维张量压缩
print(三维张量压缩:, np.einsum(e, [2, 0, 1], f, [3, 1, 0], [2, 3]))更多精彩专栏
《ROS从入门到精通》《Pytorch深度学习实战》《机器学习强基计划》《运动规划实战精讲》… 源码获取 · 技术交流 · 抱团学习 · 咨询分享 请联系
