当前位置：首页 > news >正文

做分享网站社交媒体营销三种方式

news 2026/4/6 23:20:06

做分享网站,社交媒体营销三种方式,品牌型网站建设理论,ui界面设计介绍详解 torch.triu：上三角矩阵的高效构造在深度学习和矩阵运算中，我们经常需要构造上三角矩阵（Upper Triangular Matrix），其中主对角线以下的元素全部设为 0。PyTorch 提供了一个高效的函数 torch.triu()，用…

详解 `torch.triu`：上三角矩阵的高效构造

在深度学习和矩阵运算中，我们经常需要构造上三角矩阵（Upper Triangular Matrix），其中主对角线以下的元素全部设为 0。PyTorch 提供了一个高效的函数 torch.triu()，用于生成上三角矩阵，并允许我们灵活地调整对角线的偏移量。

在本篇博客中，我们将深入探讨：

torch.triu() 的基本用法
第二个参数 diagonal 如何影响结果
torch.triu(all_ones, -1 * 2 + 1) 会生成什么
代码示例与应用场景

1. `torch.triu` 的基本用法

1.1 语法

torch.triu(input, diagonal=0)

input：输入张量（必须是 2D 矩阵）
diagonal：指定从哪条对角线开始保留元素：
- diagonal=0（默认）：保留主对角线及其上的元素
- diagonal>0：向上偏移 diagonal 行
- diagonal<0：向下偏移 diagonal 行

1.2 示例：默认 `diagonal=0`

import torchA = torch.tensor([[1, 2, 3],[4, 5, 6],[7, 8, 9]
])B = torch.triu(A)
print(B)

输出：

tensor([[1, 2, 3],[0, 5, 6],[0, 0, 9]])

解释：

主对角线（1, 5, 9）及其上方元素（2, 3, 6）被保留
下三角部分（4, 7, 8）被置为 0

2. `diagonal` 参数的作用

2.1 `diagonal > 0`：向上偏移

B = torch.triu(A, diagonal=1)
print(B)

输出：

tensor([[0, 2, 3],[0, 0, 6],[0, 0, 0]])

解释：

diagonal=1 表示从主对角线上方一行开始保留元素
主对角线元素（1, 5, 9）被置为 0
仅保留 2, 3, 6

2.2 `diagonal < 0`：向下偏移

B = torch.triu(A, diagonal=-1)
print(B)

输出：

tensor([[1, 2, 3],[4, 5, 6],[0, 8, 9]])

解释：

diagonal=-1 表示从主对角线下一行开始保留元素
主对角线以上元素仍保留
下三角部分的 7 变成 0，但 4, 8 仍然保留

**3. `torch.triu(all_ones, -1 * 2 + 1)` 解析**

假设：

all_ones = torch.ones(5, 5)
B = torch.triu(all_ones, -1 * 2 + 1)
print(B)

让我们拆解 diagonal 参数：

-1 * 2 + 1 = -1
这等价于 torch.triu(all_ones, -1)

all_ones 矩阵：

tensor([[1, 1, 1, 1, 1],[1, 1, 1, 1, 1],[1, 1, 1, 1, 1],[1, 1, 1, 1, 1],[1, 1, 1, 1, 1]])

torch.triu(all_ones, -1) 结果：

tensor([[1, 1, 1, 1, 1],[1, 1, 1, 1, 1],[0, 1, 1, 1, 1],[0, 0, 1, 1, 1],[0, 0, 0, 1, 1]])

解释：

diagonal=-1 意味着主对角线及其上一行都保留
低于 -1 的部分被置 0

4. `torch.triu()` 的应用场景

4.1 生成注意力掩码（Transformer）

在 Transformer 的自回归解码过程中，我们使用 torch.triu() 生成上三角掩码（mask），避免未来信息泄露：

seq_len = 5
mask = torch.triu(torch.ones(seq_len, seq_len), diagonal=1)
mask = mask.masked_fill(mask == 1, float('-inf'))
print(mask)

输出（掩码矩阵）：

tensor([[  0., -inf, -inf, -inf, -inf],[  0.,   0., -inf, -inf, -inf],[  0.,   0.,   0., -inf, -inf],[  0.,   0.,   0.,   0., -inf],[  0.,   0.,   0.,   0.,   0.]])

用于 softmax 计算，使模型只能关注当前及之前的 token。

4.2 计算上三角矩阵的和

A = torch.tensor([[1, 2, 3],[4, 5, 6],[7, 8, 9]
])
upper_sum = torch.triu(A).sum()
print(upper_sum)  # 26

解释：

只保留 1, 2, 3, 5, 6, 9
1 + 2 + 3 + 5 + 6 + 9 = 26

4.3 生成 Pascal 三角形

n = 5
pascal = torch.triu(torch.ones(n, n), diagonal=0)
for i in range(1, n):for j in range(1, i+1):pascal[i, j] = pascal[i-1, j-1] + pascal[i-1, j]
print(pascal)

输出：

tensor([[1., 0., 0., 0., 0.],[1., 1., 0., 0., 0.],[1., 2., 1., 0., 0.],[1., 3., 3., 1., 0.],[1., 4., 6., 4., 1.]])

5. 总结

torch.triu() 用于生成上三角矩阵，对角线以下的元素设为 0。
diagonal 控制保留的最小对角线：
- diagonal=0：默认保留主对角线及以上
- diagonal>0：向上偏移，更多元素变 0
- diagonal<0：向下偏移，更多元素被保留
torch.triu(all_ones, -1 * 2 + 1) 生成 diagonal=-1 的上三角矩阵。
常见应用：
- Transformer 掩码
- 矩阵运算
- 构造 Pascal 三角形

🚀 torch.triu() 是矩阵计算和深度学习中必不可少的函数，掌握它可以优化你的 PyTorch 代码！

Understanding `torch.triu`: Constructing Upper Triangular Matrices in PyTorch

In deep learning and matrix computations, upper triangular matrices are widely used, where all elements below the main diagonal are set to zero. PyTorch provides the efficient function torch.triu() to generate upper triangular matrices and allows flexible control over which diagonal to retain.

In this blog post, we will explore:

The basic usage of torch.triu()
How the second parameter diagonal affects the output
What torch.triu(all_ones, -1 * 2 + 1) generates
Practical examples and applications

1. Introduction to `torch.triu`

1.1 Syntax

torch.triu(input, diagonal=0)

input: The input tensor (must be a 2D matrix).
diagonal: Specifies which diagonal to retain:
- diagonal=0 (default): Retains the main diagonal and elements above it.
- diagonal>0: Shifts retention upwards.
- diagonal<0: Shifts retention downwards.

1.2 Example: Default `diagonal=0`

import torchA = torch.tensor([[1, 2, 3],[4, 5, 6],[7, 8, 9]
])B = torch.triu(A)
print(B)

Output:

tensor([[1, 2, 3],[0, 5, 6],[0, 0, 9]])

Explanation:

The main diagonal (1, 5, 9) and elements above it (2, 3, 6) are retained.
The lower triangular part (4, 7, 8) is set to 0.

2. Understanding the `diagonal` Parameter

2.1 `diagonal > 0`: Shift upwards

B = torch.triu(A, diagonal=1)
print(B)

Output:

tensor([[0, 2, 3],[0, 0, 6],[0, 0, 0]])

Explanation:

diagonal=1 retains elements from one row above the main diagonal.
The main diagonal (1, 5, 9) is set to 0.
Only elements 2, 3, 6 are preserved.

2.2 `diagonal < 0`: Shift downwards

B = torch.triu(A, diagonal=-1)
print(B)

Output:

tensor([[1, 2, 3],[4, 5, 6],[0, 8, 9]])

Explanation:

diagonal=-1 retains elements from one row below the main diagonal.
The main diagonal and upper part remain unchanged.
The lowest element 7 is set to 0, but 4, 8 are retained.

**3. What does `torch.triu(all_ones, -1 * 2 + 1)` generate?**

Assume:

all_ones = torch.ones(5, 5)
B = torch.triu(all_ones, -1 * 2 + 1)
print(B)

Breaking down diagonal:

-1 * 2 + 1 = -1
Equivalent to torch.triu(all_ones, -1)

all_ones matrix:

tensor([[1, 1, 1, 1, 1],[1, 1, 1, 1, 1],[1, 1, 1, 1, 1],[1, 1, 1, 1, 1],[1, 1, 1, 1, 1]])

torch.triu(all_ones, -1) result:

tensor([[1, 1, 1, 1, 1],[1, 1, 1, 1, 1],[0, 1, 1, 1, 1],[0, 0, 1, 1, 1],[0, 0, 0, 1, 1]])

Explanation:

diagonal=-1 means retaining the main diagonal and one row below it.
Elements below -1 are set to 0.

4. Applications of `torch.triu()`

4.1 Generating Attention Masks (Transformers)

In Transformers, upper triangular masks are used to prevent future information leakage during autoregressive decoding:

seq_len = 5
mask = torch.triu(torch.ones(seq_len, seq_len), diagonal=1)
mask = mask.masked_fill(mask == 1, float('-inf'))
print(mask)

Output (Mask Matrix):

tensor([[  0., -inf, -inf, -inf, -inf],[  0.,   0., -inf, -inf, -inf],[  0.,   0.,   0., -inf, -inf],[  0.,   0.,   0.,   0., -inf],[  0.,   0.,   0.,   0.,   0.]])

This ensures that the model can only attend to current and past tokens.

4.2 Summing the Upper Triangular Matrix

A = torch.tensor([[1, 2, 3],[4, 5, 6],[7, 8, 9]
])
upper_sum = torch.triu(A).sum()
print(upper_sum)  # 26

Explanation:

Retains only 1, 2, 3, 5, 6, 9
1 + 2 + 3 + 5 + 6 + 9 = 26

4.3 Constructing Pascal’s Triangle

n = 5
pascal = torch.triu(torch.ones(n, n), diagonal=0)
for i in range(1, n):for j in range(1, i+1):pascal[i, j] = pascal[i-1, j-1] + pascal[i-1, j]
print(pascal)

Output:

tensor([[1., 0., 0., 0., 0.],[1., 1., 0., 0., 0.],[1., 2., 1., 0., 0.],[1., 3., 3., 1., 0.],[1., 4., 6., 4., 1.]])

5. Conclusion

torch.triu() constructs upper triangular matrices, setting elements below the specified diagonal to zero.
The diagonal parameter controls which diagonal to retain:
- diagonal=0: Retains the main diagonal and above.
- diagonal>0: Shifts upwards, removing more elements.
- diagonal<0: Shifts downwards, keeping more elements.
torch.triu(all_ones, -1 * 2 + 1) generates an upper triangular matrix with diagonal=-1.
Common use cases:
- Transformers attention masks
- Matrix computations
- Constructing Pascal’s triangle