XTensor 模块¶
XTensor 是VQNet借助算子自动并行方式对张量计算进行加速的功能接口,接口支持CPU/GPU下经典计算,API定义与原先XTensor基本一致。
Warning
XTensor相关功能属于实验功能,当前只支持经典神经网络计算,与前述介绍的基于QTensor的接口不能混用。 如需要训练量子机器学习模型,请使用QTensor下相关接口。
例如下例中,使用reshape对a进行循环计算,由于这些reshape计算之间没有前后依赖关系,可以天然的进行并行计算。所以对于该例子中的100次reshape计算是自动异步计算的,达到加速的目的。
Example:
from pyvqnet.xtensor import xtensor,reshape a = xtensor([2, 3, 4, 5]) for i in range(100): y = reshape(a,(2,2))
XTensor’s 函数与属性¶
ndim¶
- XTensor.ndim¶
返回张量的维度的个数。
- Returns:
张量的维度的个数。
Example:
from pyvqnet.xtensor import xtensor a = xtensor([2, 3, 4, 5]) print(a.ndim) # 1
shape¶
- XTensor.shape¶
返回张量的维度
- Returns:
一个元组存有张量的维度
Example:
from pyvqnet.xtensor import xtensor a = xtensor([2, 3, 4, 5]) print(a.shape) # (4)
size¶
- XTensor.size¶
返回张量的元素个数。
- Returns:
张量的元素个数。
Example:
from pyvqnet.xtensor import xtensor a = xtensor([2, 3, 4, 5]) print(a.size) # 4
numel¶
- XTensor.numel()¶
返回张量的元素个数。
- Returns:
张量的元素个数。
Example:
from pyvqnet.xtensor import xtensor a = xtensor([2, 3, 4, 5]) print(a.numel()) # 4
device¶
- XTensor.device¶
返回XTensor存放的硬件位置。
XTensor 硬件位置支持CPU device=0, 第一个GPU device=1000, 第2个GPU device=1001, … 第10个GPU device=1009。
- Returns:
张量的硬件位置。
Example:
from pyvqnet.xtensor import xtensor a = xtensor([2, 3, 4, 5]) print(a.device) # 0
dtype¶
- XTensor.dtype¶
返回张量的数据类型。
XTensor 内部数据类型dtype支持kbool = 0, kuint8 = 1, kint8 = 2,kint32 = 4, kint64 = 5, kfloat32 = 6, kfloat64 = 7。如果使用列表进行初始化,默认为kfloat32。
- Returns:
张量的数据类型。
Example:
from pyvqnet.xtensor import xtensor a = xtensor([2, 3, 4, 5]) print(a.dtype) # 4
requires_grad¶
- XTensor.requires_grad¶
设置和获取该XTensor是否需要计算梯度。
Note
XTensor 如果希望计算梯度,需要显式地设置requires_grad = True。
Example:
from pyvqnet.xtensor import xtensor a = xtensor([2, 3, 4, 5.0]) a.requires_grad = True print(a.grad)
backward¶
- XTensor.backward(grad=None)¶
利用反向传播算法,计算当前张量所在的计算图中的所有需计算梯度的张量的梯度。
Note
对于xtensor下的接口,需要使用 with autograd.tape() 将所有希望进行自动微分的操作纳入其中,并且这些操作不包含in-place的操作,例如: a+=1, a[:]=1, 也不包含数据的复制,例如toGPU(),toCPU()等。
- Returns:
无
Example:
from pyvqnet.xtensor import xtensor,autograd target = xtensor([[0, 0, 1, 0, 0, 0, 0, 0, 0, 0.2]]) target.requires_grad=True with autograd.tape(): y = 2*target + 3 y.backward() print(target.grad) #[[2. 2. 2. 2. 2. 2. 2. 2. 2. 2.]]
to_numpy¶
- XTensor.to_numpy()¶
将张量的数据拷贝到一个numpy.ndarray里面。
- Returns:
一个新的 numpy.ndarray 包含 XTensor 数据
Example:
from pyvqnet.xtensor import xtensor t3 = xtensor([2, 3, 4, 5]) t4 = t3.to_numpy() print(t4) # [2. 3. 4. 5.]
item¶
- XTensor.item()¶
从只包含单个元素的 XTensor 返回唯一的元素。
- Returns:
元素值
Example:
from pyvqnet.xtensor import ones t = ones([1]) print(t.item()) # 1.0
argmax¶
- XTensor.argmax(*kargs)¶
返回输入 XTensor 中所有元素的最大值的索引,或返回 XTensor 按某一维度的最大值的索引。
- Parameters:
dim – 计算argmax的轴,只接受单个维度。 如果 dim == None,则返回输入张量中所有元素的最大值的索引。有效的 dim 范围是 [-R, R),其中 R 是输入的 ndim。 当 dim < 0 时,它的工作方式与 dim + R 相同。
keepdims – 输出 XTensor 是否保留了最大值索引操作的轴,默认是False。
- Returns:
输入 XTensor 中最大值的索引。
Example:
from pyvqnet.xtensor import XTensor a = XTensor([[1.3398, 0.2663, -0.2686, 0.2450], [-0.7401, -0.8805, -0.3402, -1.1936], [0.4907, -1.3948, -1.0691, -0.3132], [-1.6092, 0.5419, -0.2993, 0.3195]]) flag = a.argmax() print(flag) # [0.] flag_0 = a.argmax(0, True) print(flag_0) # [ # [0., 3., 0., 3.] # ] flag_1 = a.argmax(1, True) print(flag_1) # [ # [0.], # [2.], # [0.], # [1.] # ]
argmin¶
- XTensor.argmin(*kargs)¶
返回输入 XTensor 中所有元素的最小值的索引,或返回 XTensor 按某一维度的最小值的索引。
- Parameters:
dim – 计算argmax的轴,只接受单个维度。 如果 dim == None,则返回输入张量中所有元素的最小值的索引。有效的 dim 范围是 [-R, R),其中 R 是输入的 ndim。 当 dim < 0 时,它的工作方式与 dim + R 相同。
keepdims – 输出 XTensor 是否保留了最小值索引操作的轴,默认是False。
- Returns:
输入 XTensor 中最小值的索引。
Example:
from pyvqnet.xtensor import XTensor a = XTensor([[1.3398, 0.2663, -0.2686, 0.2450], [-0.7401, -0.8805, -0.3402, -1.1936], [0.4907, -1.3948, -1.0691, -0.3132], [-1.6092, 0.5419, -0.2993, 0.3195]]) flag = a.argmin() print(flag) # [12.] flag_0 = a.argmin(0, True) print(flag_0) # [ # [3., 2., 2., 1.] # ] flag_1 = a.argmin(1, False) print(flag_1) # [2., 3., 1., 0.]
all¶
- XTensor.all()¶
判断张量内数据是否全为全零。
- Returns:
返回True,如果全为非0;否则返回False。
Example:
import pyvqnet.xtensor as xtensor shape = [2, 3] t = xtensor.full(shape,1) flag = t.all() print(flag) #True #<XTensor cpu(0) kbool>
any¶
- XTensor.any()¶
判断张量内数据是否有任意元素不为0。
- Returns:
返回True,如果有任意元素不为0;否则返回False。
Example:
import pyvqnet.xtensor as xtensor shape = [2, 3] t = xtensor.full(shape,1) flag = t.any() print(flag) #True #<XTensor cpu(0) kbool>
fill_rand_binary_¶
- XTensor.fill_rand_binary_(v=0.5)¶
用从二项分布中随机采样的值填充 XTensor 。
如果二项分布后随机生成的数据大于二值化阈值 v ,则设置 XTensor 对应位置的元素值为1,否则为0。
- Parameters:
v – 二值化阈值,默认0.5。
- Returns:
无。
Example:
from pyvqnet.xtensor import XTensor import numpy as np a = np.arange(6).reshape(2, 3).astype(np.float32) t = XTensor(a) t.fill_rand_binary_(2) print(t) # [ # [1., 1., 1.], # [1., 1., 1.] # ]
fill_rand_signed_uniform_¶
- XTensor.fill_rand_signed_uniform_(v=1)¶
用从有符号均匀分布中随机采样的值填充 XTensor 。用缩放因子 v 对生成的随机采样的值进行缩放。
- Parameters:
v – 缩放因子,默认1。
- Returns:
无。
Example:
from pyvqnet.xtensor import XTensor import numpy as np a = np.arange(6).reshape(2, 3).astype(np.float32) t = XTensor(a) value = 42 t.fill_rand_signed_uniform_(value) print(t) # [[ 4.100334 7.7989464 18.075905 ] # [28.918327 8.632122 30.067429 ]] # <XTensor 2x3 cpu(0) kfloat32>
fill_rand_uniform_¶
- XTensor.fill_rand_uniform_(v=1)¶
用从均匀分布中随机采样的值填充 XTensor 。用缩放因子 v 对生成的随机采样的值进行缩放。
- Parameters:
v – 缩放因子,默认1。
- Returns:
无。
Example:
from pyvqnet.xtensor import XTensor import numpy as np a = np.arange(6).reshape(2, 3).astype(np.float32) t = XTensor(a) value = 42 t.fill_rand_uniform_(value) print(t) # [[23.050167 24.899473 30.037952] # [35.459164 25.316061 36.033714]] # <XTensor 2x3 cpu(0) kfloat32>
fill_rand_normal_¶
- XTensor.fill_rand_normal_(m=0, s=1)¶
生成均值为 m 和方差 s 产生正态分布元素,并填充到张量中。
- Parameters:
m – 均值,默认0。
s – 方差,默认1。
- Returns:
无。
Example:
from pyvqnet.xtensor import XTensor import numpy as np a = np.arange(6).reshape(2, 3).astype(np.float32) t = XTensor(a) t.fill_rand_normal_(2, 10) print(t) # [[13.630787 6.838046 4.9956346] # [ 3.5302546 -9.688148 17.580711 ]] # <XTensor 2x3 cpu(0) kfloat32>
XTensor.transpose¶
- XTensor.transpose(*axes)¶
反转张量的轴。如果 new_dims = None,则反转所有轴。
- Parameters:
axes – 列表形式储存的新的轴顺序。
- Returns:
新的 XTensor 。
Example:
from pyvqnet.xtensor import XTensor import numpy as np R, C = 3, 4 a = np.arange(R * C).reshape([2, 2, 3]).astype(np.float32) t = XTensor(a) rlt = t.transpose([2,0,1]) print(rlt) rlt = t.transpose() print(rlt) """ [[[ 0. 3.] [ 6. 9.]] [[ 1. 4.] [ 7. 10.]] [[ 2. 5.] [ 8. 11.]]] <XTensor 3x2x2 cpu(0) kfloat32> [[[ 0. 6.] [ 3. 9.]] [[ 1. 7.] [ 4. 10.]] [[ 2. 8.] [ 5. 11.]]] <XTensor 3x2x2 cpu(0) kfloat32> """
XTensor.reshape¶
- XTensor.reshape(new_shape)¶
改变 XTensor 的形状,返回一个新的张量。
- Parameters:
new_shape – 新的形状。
- Returns:
新形状的 XTensor 。
Example:
from pyvqnet.xtensor import XTensor import numpy as np R, C = 3, 4 a = np.arange(R * C).reshape(R, C) t = XTensor(a) reshape_t = t.reshape([C, R]) print(reshape_t) # [ # [0., 1., 2.], # [3., 4., 5.], # [6., 7., 8.], # [9., 10., 11.] # ]
getdata¶
- XTensor.getdata()¶
返回一个numpy.ndarray 浅拷贝表示XTensor中的数据,如果原数据在GPU上,则会首先返回CPU上的XTensor复制的ndarray视图。
- Returns:
包含当前 XTensor 数据的numpy.ndarray浅拷贝。
Example:
import pyvqnet.xtensor as xtensor t = xtensor.ones([3, 4]) a = t.getdata() print(a) # [[1. 1. 1. 1.] # [1. 1. 1. 1.] # [1. 1. 1. 1.]]
__getitem__¶
- XTensor.__getitem__()¶
支持对 XTensor 使用切片索引,下标,或使用 XTensor 作为高级索引访问输入。该操作返回一个新的 XTensor 。
通过冒号
:
分隔切片参数 start:stop:step 来进行切片操作,其中 start、stop、step 均可缺省。针对1-D XTensor ,则仅有单个轴上的索引或切片。
针对2-D及以上的 XTensor ,则会有多个轴上的索引或切片。
使用 XTensor 作为 索引,则进行高级索引,请参考numpy中 高级索引 部分。
若作为索引的 XTensor 为逻辑运算的结果,则进行 布尔数组索引。
- Parameters:
item – 以 pyslice , 整数, XTensor 构成切片索引。
- Returns:
新的 XTensor。
Example:
import pyvqnet.xtensor as tensor from pyvqnet.xtensor import XTensor aaa = tensor.arange(1, 61).reshape([4, 5, 3]) print(aaa[0:2, 3, :2]) print(aaa[3, 4, 1]) print(aaa[3][4][1]) print(aaa[:, 2, :]) print(aaa[2]) print(aaa[0:2, ::3, 2:]) a = tensor.ones([2, 2]) b = XTensor([[1, 1], [0, 1]]) b = b > 0 c = a[b] print(c) tt = tensor.arange(1, 56 * 2 * 4 * 4 + 1).reshape([2, 8, 4, 7, 4]) tt.requires_grad = True index_sample1 = tensor.arange(0, 3).reshape([3, 1]) index_sample2 = XTensor([0, 1, 0, 2, 3, 2, 2, 3, 3]).reshape([3, 3]) gg = tt[:, index_sample1, 3:, index_sample2, 2:] """ [[10. 11.] [25. 26.]] <XTensor 2x2 cpu(0) kfloat32> [59.] <XTensor 1 cpu(0) kfloat32> [59.] <XTensor 1 cpu(0) kfloat32> [[ 7. 8. 9.] [22. 23. 24.] [37. 38. 39.] [52. 53. 54.]] <XTensor 4x3 cpu(0) kfloat32> [[31. 32. 33.] [34. 35. 36.] [37. 38. 39.] [40. 41. 42.] [43. 44. 45.]] <XTensor 5x3 cpu(0) kfloat32> [[[ 3.] [12.]] [[18.] [27.]]] <XTensor 2x2x1 cpu(0) kfloat32> [1. 1. 1.] <XTensor 3 cpu(0) kfloat32> [[[[[ 87. 88.]] [[ 983. 984.]]] [[[ 91. 92.]] [[ 987. 988.]]] [[[ 87. 88.]] [[ 983. 984.]]]] [[[[ 207. 208.]] [[1103. 1104.]]] [[[ 211. 212.]] [[1107. 1108.]]] [[[ 207. 208.]] [[1103. 1104.]]]] [[[[ 319. 320.]] [[1215. 1216.]]] [[[ 323. 324.]] [[1219. 1220.]]] [[[ 323. 324.]] [[1219. 1220.]]]]] <XTensor 3x3x2x1x2 cpu(0) kfloat32> """
__setitem__¶
- XTensor.__setitem__()¶
支持对 XTensor 使用切片索引,下标,或使用 XTensor 作为高级索引修改输入。该操作对输入原地进行修改 。
通过冒号
:
分隔切片参数 start:stop:step 来进行切片操作,其中 start、stop、step 均可缺省。针对1-D XTensor,则仅有单个轴上的索引或切片。
针对2-D及以上的 XTensor ,则会有多个轴上的索引或切片。
使用 XTensor 作为 索引,则进行高级索引,请参考numpy中 高级索引 部分。
若作为索引的 XTensor 为逻辑运算的结果,则进行 布尔数组索引。
- Parameters:
item – 以 pyslice , 整数, XTensor 构成切片索引。
- Returns:
无。
Example:
import pyvqnet.xtensor as tensor aaa = tensor.arange(1, 61) aaa = aaa.reshape([4, 5, 3]) vqnet_a2 = aaa[3, 4, 1] aaa[3, 4, 1] = tensor.arange(10001, 10001 + vqnet_a2.size).reshape(vqnet_a2.shape) print(aaa) # [ # [[1., 2., 3.], # [4., 5., 6.], # [7., 8., 9.], # [10., 11., 12.], # [13., 14., 15.]], # [[16., 17., 18.], # [19., 20., 21.], # [22., 23., 24.], # [25., 26., 27.], # [28., 29., 30.]], # [[31., 32., 33.], # [34., 35., 36.], # [37., 38., 39.], # [40., 41., 42.], # [43., 44., 45.]], # [[46., 47., 48.], # [49., 50., 51.], # [52., 53., 54.], # [55., 56., 57.], # [58., 10001., 60.]] # ] aaa = tensor.arange(1, 61) aaa = aaa.reshape([4, 5, 3]) vqnet_a3 = aaa[:, 2, :] aaa[:, 2, :] = tensor.arange(10001, 10001 + vqnet_a3.size).reshape(vqnet_a3.shape) print(aaa) # [ # [[1., 2., 3.], # [4., 5., 6.], # [10001., 10002., 10003.], # [10., 11., 12.], # [13., 14., 15.]], # [[16., 17., 18.], # [19., 20., 21.], # [10004., 10005., 10006.], # [25., 26., 27.], # [28., 29., 30.]], # [[31., 32., 33.], # [34., 35., 36.], # [10007., 10008., 10009.], # [40., 41., 42.], # [43., 44., 45.]], # [[46., 47., 48.], # [49., 50., 51.], # [10010., 10011., 10012.], # [55., 56., 57.], # [58., 59., 60.]] # ] aaa = tensor.arange(1, 61) aaa = aaa.reshape([4, 5, 3]) vqnet_a4 = aaa[2, :] aaa[2, :] = tensor.arange(10001, 10001 + vqnet_a4.size).reshape(vqnet_a4.shape) print(aaa) # [ # [[1., 2., 3.], # [4., 5., 6.], # [7., 8., 9.], # [10., 11., 12.], # [13., 14., 15.]], # [[16., 17., 18.], # [19., 20., 21.], # [22., 23., 24.], # [25., 26., 27.], # [28., 29., 30.]], # [[10001., 10002., 10003.], # [10004., 10005., 10006.], # [10007., 10008., 10009.], # [10010., 10011., 10012.], # [10013., 10014., 10015.]], # [[46., 47., 48.], # [49., 50., 51.], # [52., 53., 54.], # [55., 56., 57.], # [58., 59., 60.]] # ] aaa = tensor.arange(1, 61) aaa = aaa.reshape([4, 5, 3]) vqnet_a5 = aaa[0:2, ::2, 1:2] aaa[0:2, ::2, 1:2] = tensor.arange(10001, 10001 + vqnet_a5.size).reshape(vqnet_a5.shape) print(aaa) # [ # [[1., 10001., 3.], # [4., 5., 6.], # [7., 10002., 9.], # [10., 11., 12.], # [13., 10003., 15.]], # [[16., 10004., 18.], # [19., 20., 21.], # [22., 10005., 24.], # [25., 26., 27.], # [28., 10006., 30.]], # [[31., 32., 33.], # [34., 35., 36.], # [37., 38., 39.], # [40., 41., 42.], # [43., 44., 45.]], # [[46., 47., 48.], # [49., 50., 51.], # [52., 53., 54.], # [55., 56., 57.], # [58., 59., 60.]] # ] a = tensor.ones([2, 2]) b = tensor.XTensor([[1, 1], [0, 1]]) b = b > 0 x = tensor.XTensor([1001, 2001, 3001]) a[b] = x print(a) # [ # [1001., 2001.], # [1., 3001.] # ]
GPU¶
- XTensor.GPU(device: int = DEV_GPU_0)¶
复制XTensor数据到指定的GPU设备,返回一个新的XTensor
device 指定存储其内部数据的设备。 当device >= DEV_GPU_0时,数据存储在GPU上。 如果您的计算机有多个 GPU,您可以指定不同的设备来存储数据。 例如,device = DEV_GPU_1, DEV_GPU_2, DEV_GPU_3, … 表示存储在具有不同序列号的GPU上。
Note
XTensor在不同GPU上无法进行计算。 如果您尝试在 ID 超过验证 GPU 最大数量的 GPU 上创建 XTensor,将引发 Cuda 错误。 注意,该接口会断开当前已构建的计算图。
- Parameters:
device – 当前保存XTensor的设备,默认=DEV_GPU_0, device = pyvqnet.DEV_GPU_0,存储在第一个 GPU 中,devcie = DEV_GPU_1, 存储在第二个 GPU 中,依此类推。
- Returns:
XTensor 复制到 GPU 设备。
Examples:
from pyvqnet.xtensor import XTensor a = XTensor([2]) b = a.GPU() print(b.device) #1000
CPU¶
- XTensor.CPU()¶
复制XTensor到特定的CPU设备,返回一个新的XTensor
Note
XTensor在不同硬件上无法进行计算。 注意,该接口会断开当前已构建的计算图。
- Returns:
XTensor 复制到 CPU 设备。
Examples:
from pyvqnet.xtensor import XTensor a = XTensor([2]) b = a.CPU() print(b.device) # 0
toGPU¶
- XTensor.toGPU(device: int = DEV_GPU_0)¶
移动XTensor到指定的GPU设备
- device 指定存储其内部数据的设备。 当device >= DEV_GPU时,数据存储在GPU上。
如果您的计算机有多个 GPU,您可以指定不同的设备来存储数据。 例如,device = DEV_GPU_1, DEV_GPU_2, DEV_GPU_3, … 表示存储在具有不同序列号的GPU上。
Note
XTensor在不同GPU上无法进行计算。 如果您尝试在 ID 超过验证 GPU 最大数量的 GPU 上创建 XTensor,将引发 Cuda 错误。 注意,该接口会断开当前已构建的计算图。
- Parameters:
device – 当前保存XTensor的设备,默认=DEV_GPU_0。device = pyvqnet.DEV_GPU_0,存储在第一个 GPU 中,devcie = DEV_GPU_1,存储在第二个 GPU 中,依此类推。
- Returns:
当前XTensor。
Examples:
from pyvqnet.xtensor import XTensor a = XTensor([2]) a = a.toGPU() print(a.device) #1000
toCPU¶
- XTensor.toCPU()¶
移动XTensor到特定的GPU设备
Note
XTensor在不同硬件上无法进行计算。 注意,该接口会断开当前已构建的计算图。
- Returns:
当前XTensor。
Examples:
from pyvqnet.xtensor import XTensor a = XTensor([2]) b = a.toCPU() print(b.device) # 0
isGPU¶
- XTensor.isGPU()¶
该 XTensor 的数据是否存储在 GPU 主机内存上。
- Returns:
该 XTensor 的数据是否存储在 GPU 主机内存上。
Examples:
from pyvqnet.xtensor import XTensor a = XTensor([2]) a = a.isGPU() print(a) # False
isCPU¶
- XTensor.isCPU()¶
该 XTensor 的数据是否存储在 CPU 主机内存上。
- Returns:
该 XTensor 的数据是否存储在 CPU 主机内存上。
Examples:
from pyvqnet.xtensor import XTensor a = XTensor([2]) a = a.isCPU() print(a) # True
创建函数¶
ones¶
- pyvqnet.xtensor.ones(shape, device=None, dtype=None)¶
创建元素全一的 XTensor 。
- Parameters:
shape – 数据的形状。
device – 储存在哪个设备上,默认: None,在CPU上。
dtype – 参数的数据类型,defaults:None,使用默认数据类型:kfloat32,代表32位浮点数。
- Returns:
返回新的 XTensor 。
Example:
from pyvqnet.xtensor import ones x = ones([2, 3]) print(x) # [ # [1., 1., 1.], # [1., 1., 1.] # ]
ones_like¶
- pyvqnet.xtensor.ones_like(t: pyvqnet.xtensor.XTensor)¶
创建元素全一的 XTensor ,形状和输入的 XTensor 一样。
- Parameters:
t – 输入 XTensor 。
- Returns:
新的全一 XTensor 。
Example:
from pyvqnet.xtensor import XTensor,ones_like t = XTensor([1, 2, 3]) x = ones_like(t) print(x) # [1., 1., 1.]
full¶
- pyvqnet.xtensor.full(shape, value, device=None, dtype=None)¶
创建一个指定形状的 XTensor 并用特定值填充它。
- Parameters:
shape – 要创建的张量形状。
value – 填充的值。
device – 储存在哪个设备上,默认: None,在CPU上。
dtype – 参数的数据类型,defaults:None,使用默认数据类型:kfloat32,代表32位浮点数。
- Returns:
输出新 XTensor 。
Example:
from pyvqnet.xtensor import XTensor,full shape = [2, 3] value = 42 t = full(shape, value) print(t) # [ # [42., 42., 42.], # [42., 42., 42.] # ]
full_like¶
- pyvqnet.xtensor.full_like(t, value)¶
创建一个形状和输入一样的 XTensor,所有元素填充 value 。
- Parameters:
t – 输入 XTensor 。
value – 填充 XTensor 的值。
- Returns:
输出 XTensor。
Example:
from pyvqnet.xtensor import XTensor,full_like,randu a = randu([3,5]) value = 42 t = full_like(a, value) print(t) # [ # [42., 42., 42., 42., 42.], # [42., 42., 42., 42., 42.], # [42., 42., 42., 42., 42.] # ]
zeros¶
- pyvqnet.xtensor.zeros(shape, device=None, dtype=None)¶
创建输入形状大小的全零 XTensor 。
- Parameters:
shape – 输入形状。
device – 储存在哪个设备上,默认: None,在CPU上。
dtype – 参数的数据类型,defaults:None,使用默认数据类型:kfloat32,代表32位浮点数。
- Returns:
输出 XTensor 。
Example:
from pyvqnet.xtensor import XTensor,zeros t = zeros([2, 3, 4]) print(t) # [ # [[0., 0., 0., 0.], # [0., 0., 0., 0.], # [0., 0., 0., 0.]], # [[0., 0., 0., 0.], # [0., 0., 0., 0.], # [0., 0., 0., 0.]] # ]
zeros_like¶
- pyvqnet.xtensor.zeros_like(t: pyvqnet.xtensor.XTensor)¶
创建一个形状和输入一样的 XTensor,所有元素为0 。
- Parameters:
t – 输入参考 XTensor 。
- Returns:
输出 XTensor 。
Example:
from pyvqnet.xtensor import XTensor,zeros_like t = XTensor([1, 2, 3]) x = zeros_like(t) print(x) # [0., 0., 0.]
arange¶
- pyvqnet.xtensor.arange(start, end, step=1, device=None, dtype=None)¶
创建一个在给定间隔内具有均匀间隔值的一维 XTensor 。
- Parameters:
start – 间隔开始。
end – 间隔结束。
step – 值之间的间距,默认为1。
device – 要使用的设备,默认 = None,使用 CPU 设备。
dtype – 参数的数据类型,defaults:None,使用默认数据类型:kfloat32,代表32位浮点数。
- Returns:
输出 XTensor 。
Example:
from pyvqnet.xtensor import arange t = arange(2, 30, 4) print(t) # [ 2., 6., 10., 14., 18., 22., 26.]
linspace¶
- pyvqnet.xtensor.linspace(start, end, num, device=None, dtype=None)¶
创建一维 XTensor ,其中的元素为区间 start 和 end 上均匀间隔的共 num 个值。
- Parameters:
start – 间隔开始。
end – 间隔结束。
num – 间隔的个数。
device – 要使用的设备,默认: None ,使用 CPU 设备。
dtype – 参数的数据类型,defaults:None,使用默认数据类型:kfloat32,代表32位浮点数。
- Returns:
输出 XTensor 。
Example:
from pyvqnet.xtensor import XTensor,linspace start, stop, num = -2.5, 10, 10 t = linspace(start, stop, num) print(t) #[-2.5000000, -1.1111112, 0.2777777, 1.6666665, 3.0555553, 4.4444442, 5.8333330, 7.2222219, 8.6111107, 10.]
logspace¶
- pyvqnet.xtensor.logspace(start, end, num, base, device=None, dtype=None)¶
在对数刻度上创建具有均匀间隔值的一维 XTensor。
- Parameters:
start –
base ** start
是起始值end –
base ** end
是序列的最终值num – 要生成的样本数
base – 对数刻度的基数
device – 要使用的设备,默认: None ,使用 CPU 设备。
dtype – 参数的数据类型,defaults:None,使用默认数据类型:kfloat32,代表32位浮点数。
- Returns:
输出 XTensor 。
Example:
from pyvqnet.xtensor import XTensor,logspace start, stop, steps, base = 0.1, 1.0, 5, 10.0 t = logspace(start, stop, steps, base) print(t) # [1.2589254, 2.1134889, 3.5481336, 5.9566211, 10.]
eye¶
- pyvqnet.xtensor.eye(size, offset: int = 0, device=None, dtype=None)¶
创建一个 size x size 的 XTensor,对角线上为 1,其他地方为 0。
- Parameters:
size – 要创建的(正方形)XTensor 的大小。
offset – 对角线的索引:0(默认)表示主对角线,正值表示上对角线,负值表示下对角线。
device – 要使用的设备,默认: None ,使用 CPU 设备。
dtype – 参数的数据类型,defaults:None,使用默认数据类型:kfloat32,代表32位浮点数。
- Returns:
输出 XTensor 。
Example:
import pyvqnet.xtensor as tensor size = 3 t = tensor.eye(size) print(t) # [ # [1., 0., 0.], # [0., 1., 0.], # [0., 0., 1.] # ]
diag¶
- pyvqnet.xtensor.diag(t, k: int = 0)¶
构造对角矩阵。
输入一个 2-D XTensor,则返回一个与此相同的新张量,除了 选定对角线中的元素以外的元素设置为零。
- Parameters:
t – 输入 XTensor。
k – 偏移量(主对角线为 0,正数为向上偏移,负数为向下偏移),默认为0。
- Returns:
输出 XTensor。
Example:
from pyvqnet.xtensor import XTensor,diag import numpy as np a = np.arange(16).reshape(4, 4).astype(np.float32) t = XTensor(a) for k in range(-3, 4): u = diag(t,k=k) print(u)
randu¶
- pyvqnet.xtensor.randu(shape, min=0.0, max=1.0, device=None, dtype=None)¶
创建一个具有均匀分布随机值的 XTensor 。
- Parameters:
shape – 要创建的 XTensor 的形状。
min – 分布的下限,默认: 0。
max – 分布的上线,默认: 1。
device – 要使用的设备,默认: None ,使用 CPU 设备。
dtype – 参数的数据类型,defaults:None,使用默认数据类型:kfloat32,代表32位浮点数。
- Returns:
输出 XTensor 。
Example:
from pyvqnet.xtensor import XTensor, randu shape = [2, 3] t = randu(shape) print(t) # [ # [0.0885886, 0.9570093, 0.8304565], # [0.6055251, 0.8721224, 0.1927866] # ]
randn¶
- pyvqnet.xtensor.randn(shape, mean=0.0, std=1.0, device=None, dtype=None)¶
创建一个具有正态分布随机值的 XTensor 。
- Parameters:
shape – 要创建的 XTensor 的形状。
mean – 分布的均值,默认: 0。
max – 分布的方差,默认: 1。
device – 要使用的设备,默认: None ,使用 CPU 设备。
dtype – 参数的数据类型,defaults:None,使用默认数据类型:kfloat32,代表32位浮点数。
- Returns:
输出 XTensor 。
Example:
from pyvqnet.xtensor import XTensor,randn shape = [2, 3] t = randn(shape) print(t) # [ # [-0.9529880, -0.4947567, -0.6399882], # [-0.6987777, -0.0089036, -0.5084590] # ]
multinomial¶
- pyvqnet.xtensor.multinomial(t, num_samples)¶
返回一个张量,其中每行包含 num_samples 个索引采样,来自位于张量输入的相应行中的多项式概率分布。
- Parameters:
t – 输入概率分布,仅支持浮点数。
num_samples – 采样样本。
- Returns:
输出采样索引
Examples:
import pyvqnet.xtensor as tensor weights = tensor.XTensor([0.1,10, 3, 1]) idx = tensor.multinomial(weights,3) print(idx) weights = tensor.XTensor([0,10, 3, 2.2,0.0]) idx = tensor.multinomial(weights,3) print(idx)
triu¶
- pyvqnet.xtensor.triu(t, diagonal=0)¶
返回输入 t 的上三角矩阵,其余部分被设为0。
- Parameters:
t – 输入 XTensor。
diagonal – 偏移量(主对角线为 0,正数为向上偏移,负数为向下偏移),默认=0。
- Returns:
输出 XTensor。
Examples:
import pyvqnet.xtensor as tensor a = tensor.arange(1.0, 2 * 6 * 5 + 1.0).reshape([2, 6, 5]) u = tensor.triu(a, 1) print(u) # [ # [[0., 2., 3., 4., 5.], # [0., 0., 8., 9., 10.], # [0., 0., 0., 14., 15.], # [0., 0., 0., 0., 20.], # [0., 0., 0., 0., 0.], # [0., 0., 0., 0., 0.]], # [[0., 32., 33., 34., 35.], # [0., 0., 38., 39., 40.], # [0., 0., 0., 44., 45.], # [0., 0., 0., 0., 50.], # [0., 0., 0., 0., 0.], # [0., 0., 0., 0., 0.]] # ]
tril¶
- pyvqnet.xtensor.tril(t, diagonal=0)¶
返回输入 t 的下三角矩阵,其余部分被设为0。
- Parameters:
t – 输入 XTensor。
diagonal – 偏移量(主对角线为 0,正数为向上偏移,负数为向下偏移),默认=0。
- Returns:
输出 XTensor。
Examples:
import pyvqnet.xtensor as tensor a = tensor.arange(1.0, 2 * 6 * 5 + 1.0).reshape([12, 5]) u = tensor.tril(a, 1) print(u) # [ # [1., 2., 0., 0., 0.], # [6., 7., 8., 0., 0.], # [11., 12., 13., 14., 0.], # [16., 17., 18., 19., 20.], # [21., 22., 23., 24., 25.], # [26., 27., 28., 29., 30.], # [31., 32., 33., 34., 35.], # [36., 37., 38., 39., 40.], # [41., 42., 43., 44., 45.], # [46., 47., 48., 49., 50.], # [51., 52., 53., 54., 55.], # [56., 57., 58., 59., 60.] # ]
数学函数¶
floor¶
- pyvqnet.xtensor.floor(t)¶
返回一个新的 XTensor,其中元素为输入 XTensor 的向下取整。
- Parameters:
t – 输入 XTensor 。
- Returns:
输出 XTensor 。
Example:
import pyvqnet.xtensor as tensor t = tensor.arange(-2.0, 2.0, 0.25) u = tensor.floor(t) print(u) # [-2., -2., -2., -2., -1., -1., -1., -1., 0., 0., 0., 0., 1., 1., 1., 1.]
ceil¶
- pyvqnet.xtensor.ceil(t)¶
返回一个新的 XTensor,其中元素为输入 XTensor 的向上取整。
- Parameters:
t – 输入 XTensor 。
- Returns:
输出 XTensor 。
Example:
import pyvqnet.xtensor as tensor t = tensor.arange(-2.0, 2.0, 0.25) u = tensor.ceil(t) print(u) # [-2., -1., -1., -1., -1., -0., -0., -0., 0., 1., 1., 1., 1., 2., 2., 2.]
round¶
- pyvqnet.xtensor.round(t)¶
返回一个新的 XTensor,其中元素为输入 XTensor 的四舍五入到最接近的整数.
- Parameters:
t – 输入 XTensor 。
- Returns:
输出 XTensor 。
Example:
import pyvqnet.xtensor as tensor t = tensor.arange(-2.0, 2.0, 0.4) u = tensor.round(t) print(u) # [-2., -2., -1., -1., -0., -0., 0., 1., 1., 2.]
sort¶
- pyvqnet.xtensor.sort(t, axis=None, descending=False, stable=True)¶
按指定轴对输入 XTensor 进行排序。
- Parameters:
t – 输入 XTensor 。
axis – 排序使用的轴。
descending – 如果是True,进行降序排序,否则使用升序排序。默认为升序。
stable – 是否使用稳定排序,默认为稳定排序。
- Returns:
输出 XTensor 。
Example:
import pyvqnet.xtensor as tensor import numpy as np a = np.random.randint(10, size=24).reshape(3,8).astype(np.float32) A = tensor.xtensor(a) AA = tensor.sort(A,1,False) print(AA) # [ # [0., 1., 2., 4., 6., 7., 8., 8.], # [2., 5., 5., 8., 9., 9., 9., 9.], # [1., 2., 5., 5., 5., 6., 7., 7.] # ]
argsort¶
- pyvqnet.xtensor.argsort(t, axis=None, descending=False, stable=True)¶
对输入变量沿给定轴进行排序,输出排序好的数据的相应索引。
- Parameters:
t – 输入 XTensor 。
axis – 排序使用的轴。
descending – 如果是True,进行降序排序,否则使用升序排序。默认为升序。
stable – 是否使用稳定排序,默认为稳定排序。
- Returns:
输出 XTensor 。
Example:
import pyvqnet.xtensor as tensor import numpy as np a = np.random.randint(10, size=24).reshape(3,8) A =tensor.XTensor(a) bb = tensor.argsort(A,1,False) print(bb) # [ # [4., 0., 1., 7., 5., 3., 2., 6.], # [3., 0., 7., 6., 2., 1., 4., 5.], # [4., 7., 5., 0., 2., 1., 3., 6.] # ]
topK¶
- pyvqnet.xtensor.topK(t, k, axis=-1, if_descent=True)¶
返回给定输入张量沿给定维度的 k 个最大元素。
如果 if_descent 为 False,则返回 k 个最小元素。
- Parameters:
t – 输入 XTensor 。
k – 取排序后的 前k 的个数。
axis – 要排序的维度。默认 = -1,最后一个轴。
if_descent – 排序使用升序还是降序,默认降序。
- Returns:
新的 XTensor 。
Examples:
import pyvqnet.xtensor as tensor from pyvqnet.xtensor import XTensor x = XTensor([ 24., 13., 15., 4., 3., 8., 11., 3., 6., 15., 24., 13., 15., 3., 3., 8., 7., 3., 6., 11. ]) x = x.reshape([2, 5, 1, 2]) x.requires_grad = True y = tensor.topK(x, 3, 1) print(y) # [ # [[[24., 15.]], # [[15., 13.]], # [[11., 8.]]], # [[[24., 13.]], # [[15., 11.]], # [[7., 8.]]] # ]
argtopK¶
- pyvqnet.xtensor.argtopK(t, k, axis=-1, if_descent=True)¶
返回给定输入张量沿给定维度的 k 个最大元素的索引。
如果 if_descent 为 False,则返回 k 个最小元素的索引。
- Parameters:
t – 输入 XTensor 。
k – 取排序后的 k 的个数。
axis – 要排序的维度。默认 = -1,最后一个轴。
if_descent – 排序使用升序还是降序,默认降序。
- Returns:
新的 XTensor 。
Examples:
import pyvqnet.xtensor as tensor from pyvqnet.xtensor import XTensor x = XTensor([ 24., 13., 15., 4., 3., 8., 11., 3., 6., 15., 24., 13., 15., 3., 3., 8., 7., 3., 6., 11. ]) x = x.reshape([2, 5, 1, 2]) x.requires_grad = True y = tensor.argtopK(x, 3, 1) print(y) # [ # [[[0., 4.]], # [[1., 0.]], # [[3., 2.]]], # [[[0., 0.]], # [[1., 4.]], # [[3., 2.]]] # ]
add¶
- pyvqnet.xtensor.add(t1: pyvqnet.xtensor.XTensor, t2: pyvqnet.xtensor.XTensor)¶
两个 XTensor 按元素相加。等价于t1 + t2。
- Parameters:
t1 – 第一个 XTensor 。
t2 – 第二个 XTensor 。
- Returns:
输出 XTensor 。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor t1 = XTensor([1, 2, 3]) t2 = XTensor([4, 5, 6]) x = tensor.add(t1, t2) print(x) # [5., 7., 9.]
sub¶
- pyvqnet.xtensor.sub(t1: pyvqnet.xtensor.XTensor, t2: pyvqnet.xtensor.XTensor)¶
两个 XTensor 按元素相减。等价于t1 - t2。
- Parameters:
t1 – 第一个 XTensor 。
t2 – 第二个 XTensor 。
- Returns:
输出 XTensor 。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor t1 = XTensor([1, 2, 3]) t2 = XTensor([4, 5, 6]) x = tensor.sub(t1, t2) print(x) # [-3., -3., -3.]
mul¶
- pyvqnet.xtensor.mul(t1: pyvqnet.xtensor.XTensor, t2: pyvqnet.xtensor.XTensor)¶
两个 XTensor 按元素相乘。等价于t1 * t2。
- Parameters:
t1 – 第一个 XTensor 。
t2 – 第二个 XTensor 。
- Returns:
输出 XTensor 。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor t1 = XTensor([1, 2, 3]) t2 = XTensor([4, 5, 6]) x = tensor.mul(t1, t2) print(x) # [4., 10., 18.]
divide¶
- pyvqnet.xtensor.divide(t1: pyvqnet.xtensor.XTensor, t2: pyvqnet.xtensor.XTensor)¶
两个 XTensor 按元素相除。等价于t1 / t2。
- Parameters:
t1 – 第一个 XTensor 。
t2 – 第二个 XTensor 。
- Returns:
输出 XTensor 。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor t1 = XTensor([1, 2, 3]) t2 = XTensor([4, 5, 6]) x = tensor.divide(t1, t2) print(x) # [0.2500000, 0.4000000, 0.5000000]
sums¶
- pyvqnet.xtensor.sums(t: pyvqnet.xtensor.XTensor, axis: int = None, keepdims=False)¶
对输入的 XTensor 按 axis 设定的轴计算元素和,如果 axis 是None,则返回所有元素和。
- Parameters:
t – 输入 XTensor 。
axis – 用于求和的轴,默认为None。
keepdims – 输出张量是否保留了减小的维度。默认为False。
- Returns:
输出 XTensor 。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor t = XTensor([[1, 2, 3], [4, 5, 6]]) x = tensor.sums(t) print(x) # [21.]
cumsum¶
- pyvqnet.xtensor.cumsum(t, axis=-1)¶
返回维度轴中输入元素的累积总和。
- Parameters:
t – 输入 XTensor 。
axis – 计算的轴,默认 -1,使用最后一个轴。
- Returns:
输出 XTensor 。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor t = XTensor([[1, 2, 3], [4, 5, 6]]) x = tensor.cumsum(t,-1) print(x) """ [[ 1. 3. 6.] [ 4. 9. 15.]] <XTensor 2x3 cpu(0) kfloat32> """
mean¶
- pyvqnet.xtensor.mean(t: pyvqnet.xtensor.XTensor, axis=None, keepdims=False)¶
对输入的 XTensor 按 axis 设定的轴计算元素的平均,如果 axis 是None,则返回所有元素平均。
- Parameters:
t – 输入 XTensor ,需要是浮点数或者复数。
axis – 用于求平均的轴,默认为None。
keepdims – 输出张量是否保留了减小的维度。默认为False。
- Returns:
输出 XTensor 或 均值。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor t = XTensor([[1, 2, 3], [4, 5, 6.0]]) x = tensor.mean(t, axis=1) print(x) # [2. 5.]
median¶
- pyvqnet.xtensor.median(t: pyvqnet.xtensor.XTensor, axis=None, keepdims=False)¶
对输入的 XTensor 按 axis 设定的轴计算元素的平均,如果 axis 是None,则返回所有元素平均。
- Parameters:
t – 输入 XTensor 。
axis – 用于求平均的轴,默认为None。
keepdims – 输出张量是否保留了减小的维度。默认为False。
- Returns:
输出 XTensor 或 中值。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor t = XTensor([[1, 2, 3], [4, 5, 6.0]]) x = tensor.mean(t, axis=1) print(x) #[2.5] a = XTensor([[1.5219, -1.5212, 0.2202]]) median_a = tensor.median(a) print(median_a) # [0.2202000] b = XTensor([[0.2505, -0.3982, -0.9948, 0.3518, -1.3131], [0.3180, -0.6993, 1.0436, 0.0438, 0.2270], [-0.2751, 0.7303, 0.2192, 0.3321, 0.2488], [1.0778, -1.9510, 0.7048, 0.4742, -0.7125]]) median_b = tensor.median(b,1, False) print(median_b) # [-0.3982000, 0.2269999, 0.2487999, 0.4742000]
std¶
- pyvqnet.xtensor.std(t: pyvqnet.xtensor.XTensor, axis=None, keepdims=False, unbiased=True)¶
对输入的 XTensor 按 axis 设定的轴计算元素的标准差,如果 axis 是None,则返回所有元素标准差。
- Parameters:
t – 输入 XTensor 。
axis – 用于求标准差的轴,默认为None。
keepdims – 输出张量是否保留了减小的维度。默认为False。
unbiased – 是否使用贝塞尔修正,默认使用。
- Returns:
输出 XTensor 或 标准差。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor a = XTensor([[-0.8166, -1.3802, -0.3560]]) std_a = tensor.std(a) print(std_a) # [0.5129624] b = XTensor([[0.2505, -0.3982, -0.9948, 0.3518, -1.3131], [0.3180, -0.6993, 1.0436, 0.0438, 0.2270], [-0.2751, 0.7303, 0.2192, 0.3321, 0.2488], [1.0778, -1.9510, 0.7048, 0.4742, -0.7125]]) std_b = tensor.std(b, 1, False, False) print(std_b) # [0.6593542, 0.5583112, 0.3206565, 1.1103367]
var¶
- pyvqnet.xtensor.var(t: pyvqnet.xtensor.XTensor, axis=None, keepdims=False, unbiased=True)¶
对输入的 XTensor 按 axis 设定的轴计算元素的方差,如果 axis 是None,则返回所有元素方差。
- Parameters:
t – 输入 XTensor 。
axis – 用于求方差的轴,默认为None。
keepdims – 输出张量是否保留了减小的维度。默认为False。
unbiased – 是否使用贝塞尔修正,默认使用。
- Returns:
输出 XTensor 或方差。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor a = XTensor([[-0.8166, -1.3802, -0.3560]]) a_var = tensor.var(a) print(a_var) # [0.2631305]
matmul¶
- pyvqnet.xtensor.matmul(t1: pyvqnet.xtensor.XTensor, t2: pyvqnet.xtensor.XTensor)¶
二维矩阵点乘或3、4维张量进行批矩阵乘法.
- Parameters:
t1 – 第一个 XTensor 。
t2 – 第二个 XTensor 。
- Returns:
输出 XTensor 。
Example:
import pyvqnet.xtensor as tensor from pyvqnet.xtensor import autograd t1 = tensor.ones([2,3]) t1.requires_grad = True t2 = tensor.ones([3,4]) t2.requires_grad = True with autogard.tape(): t3 = tensor.matmul(t1,t2) t3.backward(tensor.ones_like(t3)) print(t1.grad) # [ # [4., 4., 4.], # [4., 4., 4.] # ] print(t2.grad) # [ # [2., 2., 2., 2.], # [2., 2., 2., 2.], # [2., 2., 2., 2.] # ]
kron¶
- pyvqnet.xtensor.kron(t1: pyvqnet.xtensor.XTensor, t2: pyvqnet.xtensor.XTensor)¶
计算
t1
和t2
的 Kronecker 积,用 \(\otimes\) 表示。如果
t1
是一个 \((a_0 \times a_1 \times \dots \times a_n)\) 张量并且t2
是一个 \((b_0 \times b_1 \times \dots \times b_n)\) 张量,结果将是 \((a_0*b_0 \times a_1*b_1 \times \dots \times a_n*b_n)\) 张量,包含以下条目:\[(\text{input} \otimes \text{other})_{k_0, k_1, \dots, k_n} = \text{input}_{i_0, i_1, \dots, i_n} * \text{other}_{j_0, j_1, \dots, j_n},\]其中 \(k_t = i_t * b_t + j_t\) 为 \(0 \leq t \leq n\)。 如果一个张量的维数少于另一个,它将被解压缩,直到它具有相同的维数。
- Parameters:
t1 – 第一个 XTensor 。
t2 – 第二个 XTensor 。
- Returns:
输出 XTensor 。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor a = tensor.arange(1,1+ 24).reshape([2,1,2,3,2]) b = tensor.arange(1,1+ 24).reshape([6,4]) c = tensor.kron(a,b) print(c) # [[[[[ 1. 2. 3. 4. 2. 4. 6. 8.] # [ 5. 6. 7. 8. 10. 12. 14. 16.] # [ 9. 10. 11. 12. 18. 20. 22. 24.] # [ 13. 14. 15. 16. 26. 28. 30. 32.] # [ 17. 18. 19. 20. 34. 36. 38. 40.] # [ 21. 22. 23. 24. 42. 44. 46. 48.] # [ 3. 6. 9. 12. 4. 8. 12. 16.] # [ 15. 18. 21. 24. 20. 24. 28. 32.] # [ 27. 30. 33. 36. 36. 40. 44. 48.] # [ 39. 42. 45. 48. 52. 56. 60. 64.] # [ 51. 54. 57. 60. 68. 72. 76. 80.] # [ 63. 66. 69. 72. 84. 88. 92. 96.] # [ 5. 10. 15. 20. 6. 12. 18. 24.] # [ 25. 30. 35. 40. 30. 36. 42. 48.] # [ 45. 50. 55. 60. 54. 60. 66. 72.] # [ 65. 70. 75. 80. 78. 84. 90. 96.] # [ 85. 90. 95. 100. 102. 108. 114. 120.] # [105. 110. 115. 120. 126. 132. 138. 144.]] # [[ 7. 14. 21. 28. 8. 16. 24. 32.] # [ 35. 42. 49. 56. 40. 48. 56. 64.] # [ 63. 70. 77. 84. 72. 80. 88. 96.] # [ 91. 98. 105. 112. 104. 112. 120. 128.] # [119. 126. 133. 140. 136. 144. 152. 160.] # [147. 154. 161. 168. 168. 176. 184. 192.] # [ 9. 18. 27. 36. 10. 20. 30. 40.] # [ 45. 54. 63. 72. 50. 60. 70. 80.] # [ 81. 90. 99. 108. 90. 100. 110. 120.] # [117. 126. 135. 144. 130. 140. 150. 160.] # [153. 162. 171. 180. 170. 180. 190. 200.] # [189. 198. 207. 216. 210. 220. 230. 240.] # [ 11. 22. 33. 44. 12. 24. 36. 48.] # [ 55. 66. 77. 88. 60. 72. 84. 96.] # [ 99. 110. 121. 132. 108. 120. 132. 144.] # [143. 154. 165. 176. 156. 168. 180. 192.] # [187. 198. 209. 220. 204. 216. 228. 240.] # [231. 242. 253. 264. 252. 264. 276. 288.]]]] # [[[[ 13. 26. 39. 52. 14. 28. 42. 56.] # [ 65. 78. 91. 104. 70. 84. 98. 112.] # [117. 130. 143. 156. 126. 140. 154. 168.] # [169. 182. 195. 208. 182. 196. 210. 224.] # [221. 234. 247. 260. 238. 252. 266. 280.] # [273. 286. 299. 312. 294. 308. 322. 336.] # [ 15. 30. 45. 60. 16. 32. 48. 64.] # [ 75. 90. 105. 120. 80. 96. 112. 128.] # [135. 150. 165. 180. 144. 160. 176. 192.] # [195. 210. 225. 240. 208. 224. 240. 256.] # [255. 270. 285. 300. 272. 288. 304. 320.] # [315. 330. 345. 360. 336. 352. 368. 384.] # [ 17. 34. 51. 68. 18. 36. 54. 72.] # [ 85. 102. 119. 136. 90. 108. 126. 144.] # [153. 170. 187. 204. 162. 180. 198. 216.] # [221. 238. 255. 272. 234. 252. 270. 288.] # [289. 306. 323. 340. 306. 324. 342. 360.] # [357. 374. 391. 408. 378. 396. 414. 432.]] # [[ 19. 38. 57. 76. 20. 40. 60. 80.] # [ 95. 114. 133. 152. 100. 120. 140. 160.] # [171. 190. 209. 228. 180. 200. 220. 240.] # [247. 266. 285. 304. 260. 280. 300. 320.] # [323. 342. 361. 380. 340. 360. 380. 400.] # [399. 418. 437. 456. 420. 440. 460. 480.] # [ 21. 42. 63. 84. 22. 44. 66. 88.] # [105. 126. 147. 168. 110. 132. 154. 176.] # [189. 210. 231. 252. 198. 220. 242. 264.] # [273. 294. 315. 336. 286. 308. 330. 352.] # [357. 378. 399. 420. 374. 396. 418. 440.] # [441. 462. 483. 504. 462. 484. 506. 528.] # [ 23. 46. 69. 92. 24. 48. 72. 96.] # [115. 138. 161. 184. 120. 144. 168. 192.] # [207. 230. 253. 276. 216. 240. 264. 288.] # [299. 322. 345. 368. 312. 336. 360. 384.] # [391. 414. 437. 460. 408. 432. 456. 480.] # [483. 506. 529. 552. 504. 528. 552. 576.]]]]]
reciprocal¶
- pyvqnet.xtensor.reciprocal(t)¶
计算输入 XTensor 的倒数。
- Parameters:
t – 输入 XTensor 。
- Returns:
输出 XTensor 。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor t = tensor.arange(1, 10, 1) u = tensor.reciprocal(t) print(u) #[1., 0.5000000, 0.3333333, 0.2500000, 0.2000000, 0.1666667, 0.1428571, 0.1250000, 0.1111111]
sign¶
- pyvqnet.xtensor.sign(t)¶
对输入 t 中每个元素进行正负判断,并且输出正负判断值:1代表正,-1代表负,0代表零。
- Parameters:
t – 输入 XTensor 。
- Returns:
输出 XTensor 。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor t = tensor.arange(-5, 5, 1) u = tensor.sign(t) print(u) # [-1., -1., -1., -1., -1., 0., 1., 1., 1., 1.]
neg¶
- pyvqnet.xtensor.neg(t: pyvqnet.xtensor.XTensor)¶
计算输入 t 每个元素的相反数并返回。
- Parameters:
t – 输入 XTensor 。
- Returns:
输出 XTensor 。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor t = XTensor([1, 2, 3]) x = tensor.neg(t) print(x) # [-1., -2., -3.]
trace¶
- pyvqnet.xtensor.trace(t, k: int = 0)¶
返回二维矩阵的迹。
- Parameters:
t – 输入 XTensor 。
k – 偏移量(主对角线为 0,正数为向上偏移,负数为向下偏移),默认为0。
- Returns:
输入二维矩阵的对角线元素之和。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor t = tensor.randn([4,4]) for k in range(-3, 4): u=tensor.trace(t,k=k) print(u)
exp¶
- pyvqnet.xtensor.exp(t: pyvqnet.xtensor.XTensor)¶
计算输入 t 每个元素的自然数e为底指数。
- Parameters:
t – 输入 XTensor 。
- Returns:
输出 XTensor 。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor t = XTensor([1, 2, 3]) x = tensor.exp(t) print(x) # [2.7182817, 7.3890562, 20.0855369]
acos¶
- pyvqnet.xtensor.acos(t: pyvqnet.xtensor.XTensor)¶
计算输入 t 每个元素的反余弦。
- Parameters:
t – 输入 XTensor 。
- Returns:
输出 XTensor 。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor import numpy as np a = np.arange(36).reshape(2,6,3).astype(np.float32) a =a/100 A = XTensor(a) y = tensor.acos(A) print(y) # [ # [[1.5707964, 1.5607961, 1.5507950], # [1.5407919, 1.5307857, 1.5207754], # [1.5107603, 1.5007390, 1.4907107], # [1.4806744, 1.4706289, 1.4605733], # [1.4505064, 1.4404273, 1.4303349], # [1.4202280, 1.4101057, 1.3999666]], # [[1.3898098, 1.3796341, 1.3694384], # [1.3592213, 1.3489819, 1.3387187], # [1.3284305, 1.3181161, 1.3077742], # [1.2974033, 1.2870022, 1.2765695], # [1.2661036, 1.2556033, 1.2450669], # [1.2344928, 1.2238795, 1.2132252]] # ]
asin¶
- pyvqnet.xtensor.asin(t: pyvqnet.xtensor.XTensor)¶
计算输入 t 每个元素的反正弦。
- Parameters:
t – 输入 XTensor 。
- Returns:
输出 XTensor 。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor t = tensor.arange(-1, 1, .5) u = tensor.asin(t) print(u) #[-1.5707964, -0.5235988, 0., 0.5235988]
atan¶
- pyvqnet.xtensor.atan(t: pyvqnet.xtensor.XTensor)¶
计算输入 t 每个元素的反正切。
- Parameters:
t – 输入 XTensor 。
- Returns:
输出 XTensor 。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor t = tensor.arange(-1, 1, .5) u = tensor.atan(t) print(u) # [-0.7853981, -0.4636476, 0., 0.4636476]
sin¶
- pyvqnet.xtensor.sin(t: pyvqnet.xtensor.XTensor)¶
计算输入 t 每个元素的正弦。
- Parameters:
t – 输入 XTensor 。
- Returns:
输出 XTensor 。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor t = XTensor([1, 2, 3]) x = tensor.sin(t) print(x) # [0.8414709, 0.9092974, 0.1411200]
cos¶
- pyvqnet.xtensor.cos(t: pyvqnet.xtensor.XTensor)¶
计算输入 t 每个元素的余弦。
- Parameters:
t – 输入 XTensor 。
- Returns:
输出 XTensor 。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor t = XTensor([1, 2, 3]) x = tensor.cos(t) print(x) # [0.5403022, -0.4161468, -0.9899924]
tan¶
- pyvqnet.xtensor.tan(t: pyvqnet.xtensor.XTensor)¶
计算输入 t 每个元素的正切。
- Parameters:
t – 输入 XTensor 。
- Returns:
输出 XTensor 。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor t = XTensor([1, 2, 3]) x = tensor.tan(t) print(x) # [1.5574077, -2.1850397, -0.1425465]
tanh¶
- pyvqnet.xtensor.tanh(t: pyvqnet.xtensor.XTensor)¶
计算输入 t 每个元素的双曲正切。
- Parameters:
t – 输入 XTensor 。
- Returns:
输出 XTensor 。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor t = XTensor([1, 2, 3]) x = tensor.tanh(t) print(x) # [0.7615941, 0.9640275, 0.9950547]
sinh¶
- pyvqnet.xtensor.sinh(t: pyvqnet.xtensor.XTensor)¶
计算输入 t 每个元素的双曲正弦。
- Parameters:
t – 输入 XTensor 。
- Returns:
输出 XTensor 。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor t = XTensor([1, 2, 3]) x = tensor.sinh(t) print(x) # [1.1752011, 3.6268603, 10.0178747]
cosh¶
- pyvqnet.xtensor.cosh(t: pyvqnet.xtensor.XTensor)¶
计算输入 t 每个元素的双曲余弦。
- Parameters:
t – 输入 XTensor 。
- Returns:
输出 XTensor 。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor t = XTensor([1, 2, 3]) x = tensor.cosh(t) print(x) # [1.5430806, 3.7621955, 10.0676622]
power¶
- pyvqnet.xtensor.power(t1: pyvqnet.xtensor.XTensor, t2: pyvqnet.xtensor.XTensor)¶
第一个 XTensor 的元素计算第二个 XTensor 的幂指数。
- Parameters:
t1 – 第一个 XTensor 。
t2 – 第二个 XTensor 。
- Returns:
输出 XTensor 。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor t1 = XTensor([1, 4, 3]) t2 = XTensor([2, 5, 6]) x = tensor.power(t1, t2) print(x) # [1., 1024., 729.]
abs¶
- pyvqnet.xtensor.abs(t: pyvqnet.xtensor.XTensor)¶
计算输入 XTensor 的每个元素的绝对值。
- Parameters:
t – 输入 XTensor 。
- Returns:
输出 XTensor 。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor t = XTensor([1, -2, 3]) x = tensor.abs(t) print(x) # [1., 2., 3.]
log¶
- pyvqnet.xtensor.log(t: pyvqnet.xtensor.XTensor)¶
计算输入 XTensor 的每个元素的自然对数值。
- Parameters:
t – 输入 XTensor 。
- Returns:
输出 XTensor 。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor t = XTensor([1, 2, 3]) x = tensor.log(t) print(x) # [0., 0.6931471, 1.0986123]
log_softmax¶
- pyvqnet.xtensor.log_softmax(t, axis=-1)¶
顺序计算在轴axis上的softmax函数以及log函数的结果。
- Parameters:
t – 输入 XTensor 。
axis – 用于求softmax的轴,默认为-1。
- Returns:
输出 XTensor。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor output = tensor.arange(1,13).reshape([3,2,2]) t = tensor.log_softmax(output,1) print(t) # [ # [[-2.1269281, -2.1269281], # [-0.1269280, -0.1269280]], # [[-2.1269281, -2.1269281], # [-0.1269280, -0.1269280]], # [[-2.1269281, -2.1269281], # [-0.1269280, -0.1269280]] # ]
sqrt¶
- pyvqnet.xtensor.sqrt(t: pyvqnet.xtensor.XTensor)¶
计算输入 XTensor 的每个元素的平方根值。
- Parameters:
t – 输入 XTensor 。
- Returns:
输出 XTensor 。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor t = XTensor([1, 2, 3]) x = tensor.sqrt(t) print(x) # [1., 1.4142135, 1.7320507]
square¶
- pyvqnet.xtensor.square(t: pyvqnet.xtensor.XTensor)¶
计算输入 XTensor 的每个元素的平方值。
- Parameters:
t – 输入 XTensor 。
- Returns:
输出 XTensor 。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor t = XTensor([1, 2, 3]) x = tensor.square(t) print(x) # [1., 4., 9.]
frobenius_norm¶
- pyvqnet.xtensor.frobenius_norm(t: XTensor, axis: int = None, keepdims=False):
对输入的 XTensor 按 axis 设定的轴计算张量的F范数,如果 axis 是None,则返回所有元素F范数。
- Parameters:
t – 输入 XTensor 。
axis – 用于求F范数的轴,默认为None。
keepdims – 输出张量是否保留了减小的维度。默认为False。
- Returns:
输出 XTensor 或 F范数值。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor t = XTensor([[[1., 2., 3.], [4., 5., 6.]], [[7., 8., 9.], [10., 11., 12.]], [[13., 14., 15.], [16., 17., 18.]]]) t.requires_grad = True result = tensor.frobenius_norm(t, -2, False) print(result) # [ # [4.1231055, 5.3851647, 6.7082038], # [12.2065554, 13.6014709, 15.], # [20.6155281, 22.0227146, 23.4307499] # ]
逻辑函数¶
maximum¶
- pyvqnet.xtensor.maximum(t1: pyvqnet.xtensor.XTensor, t2: pyvqnet.xtensor.XTensor)¶
计算两个 XTensor 的逐元素中的较大值。
- Parameters:
t1 – 第一个 XTensor 。
t2 – 第二个 XTensor 。
- Returns:
输出 XTensor 。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor t1 = XTensor([6, 4, 3]) t2 = XTensor([2, 5, 7]) x = tensor.maximum(t1, t2) print(x) # [6., 5., 7.]
minimum¶
- pyvqnet.xtensor.minimum(t1: pyvqnet.xtensor.XTensor, t2: pyvqnet.xtensor.XTensor)¶
计算两个 XTensor 的逐元素中的较小值。
- Parameters:
t1 – 第一个 XTensor 。
t2 – 第二个 XTensor 。
- Returns:
输出 XTensor 。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor t1 = XTensor([6, 4, 3]) t2 = XTensor([2, 5, 7]) x = tensor.minimum(t1, t2) print(x) # [2., 4., 3.]
min¶
- pyvqnet.xtensor.min(t: pyvqnet.xtensor.XTensor, axis=None, keepdims=False)¶
对输入的 XTensor 按 axis 设定的轴计算元素的最小值,如果 axis 是None,则返回所有元素的最小值。
- Parameters:
t – 输入 XTensor 。
axis – 用于求最小值的轴,默认为None。
keepdims – 输出张量是否保留了减小的维度。默认为False。
- Returns:
输出 XTensor 或浮点数。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor t = XTensor([[1, 2, 3], [4, 5, 6]]) x = tensor.min(t, axis=1, keepdims=True) print(x) # [ # [1.], # [4.] # ]
max¶
- pyvqnet.xtensor.max(t: pyvqnet.xtensor.XTensor, axis=None, keepdims=False)¶
对输入的 XTensor 按 axis 设定的轴计算元素的最大值,如果 axis 是None,则返回所有元素的最大值。
- Parameters:
t – 输入 XTensor 。
axis – 用于求最大值的轴,默认为None。
keepdims – 输出张量是否保留了减小的维度。默认为False。
- Returns:
输出 XTensor 或浮点数。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor t = XTensor([[1, 2, 3], [4, 5, 6]]) x = tensor.max(t, axis=1, keepdims=True) print(x) # [ # [3.], # [6.] # ]
clip¶
- pyvqnet.xtensor.clip(t: pyvqnet.xtensor.XTensor, min_val, max_val)¶
将输入的所有元素进行剪裁,使得输出元素限制在[min_val, max_val]。
- Parameters:
t – 输入 XTensor 。
min_val – 裁剪下限值。
max_val – 裁剪上限值。
- Returns:
output XTensor 。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor t = XTensor([2, 4, 6]) x = tensor.clip(t, 3, 8) print(x) # [3., 4., 6.]
where¶
- pyvqnet.xtensor.where(condition: pyvqnet.xtensor.XTensor, t1: pyvqnet.xtensor.XTensor, t2: pyvqnet.xtensor.XTensor)¶
根据条件返回从 t1 或 t2 中选择的元素。
- Parameters:
condition – 判断条件 XTensor,需要是kbool数据类型 。
t1 – 如果满足条件,则从中获取元素。
t2 – 如果条件不满足,则从中获取元素。
- Returns:
输出 XTensor 。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor t1 = XTensor([1, 2, 3]) t2 = XTensor([4, 5, 6]) x = tensor.where(t1 < 2, t1, t2) print(x) # [1., 5., 6.]
nonzero¶
- pyvqnet.xtensor.nonzero(t)¶
返回一个包含非零元素索引的 XTensor 。
- Parameters:
t – 输入 XTensor 。
- Returns:
输出 XTensor 包含非零元素的索引。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor t = XTensor([[0.6, 0.0, 0.0, 0.0], [0.0, 0.4, 0.0, 0.0], [0.0, 0.0, 1.2, 0.0], [0.0, 0.0, 0.0,-0.4]]) t = tensor.nonzero(t) print(t) # [ # [0., 0.], # [1., 1.], # [2., 2.], # [3., 3.] # ]
isfinite¶
- pyvqnet.xtensor.isfinite(t)¶
逐元素判断输入是否为Finite (既非 +/-INF 也非 +/-NaN )。
- Parameters:
t – 输入 XTensor 。
- Returns:
输出 XTensor , 其中对应位置元素满足条件时返回True,否则返回False。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor t = XTensor([1, float('inf'), 2, float('-inf'), float('nan')]) flag = tensor.isfinite(t) print(flag) #[ True False True False False]
isinf¶
- pyvqnet.xtensor.isinf(t)¶
逐元素判断输入的每一个值是否为 +/-INF 。
- Parameters:
t – 输入 XTensor 。
- Returns:
输出 XTensor , 其中对应位置元素满足条件时返回True,否则返回False。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor t = XTensor([1, float('inf'), 2, float('-inf'), float('nan')]) flag = tensor.isinf(t) print(flag) # [False True False True False]
isnan¶
- pyvqnet.xtensor.isnan(t)¶
逐元素判断输入的每一个值是否为 +/-NaN 。
- Parameters:
t – 输入 XTensor 。
- Returns:
输出 XTensor , 其中对应位置元素满足条件时返回True,否则返回False。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor t = XTensor([1, float('inf'), 2, float('-inf'), float('nan')]) flag = tensor.isnan(t) print(flag) # [False False False False True]
isneginf¶
- pyvqnet.xtensor.isneginf(t)¶
逐元素判断输入的每一个值是否为 -INF 。
- Parameters:
t – 输入 XTensor 。
- Returns:
输出 XTensor , 其中对应位置元素满足条件时返回True,否则返回False。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor t = XTensor([1, float('inf'), 2, float('-inf'), float('nan')]) flag = tensor.isneginf(t) print(flag) # [False False False True False]
isposinf¶
- pyvqnet.xtensor.isposinf(t)¶
逐元素判断输入的每一个值是否为 +INF 。
- Parameters:
t – 输入 XTensor 。
- Returns:
输出 XTensor , 其中对应位置元素满足条件时返回True,否则返回False。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor t = XTensor([1, float('inf'), 2, float('-inf'), float('nan')]) flag = tensor.isposinf(t) print(flag) # [False True False False False]
logical_and¶
- pyvqnet.xtensor.logical_and(t1, t2)¶
对两个输入进行逐元素逻辑与操作,其中对应位置元素满足条件时返回True,否则返回False。
- Parameters:
t1 – 输入 XTensor 。
t2 – 输入 XTensor 。
- Returns:
输出 XTensor 。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor a = XTensor([0, 1, 10, 0]) b = XTensor([4, 0, 1, 0]) flag = tensor.logical_and(a,b) print(flag) # [False False True False]
logical_or¶
- pyvqnet.xtensor.logical_or(t1, t2)¶
对两个输入进行逐元素逻辑或操作,其中对应位置元素满足条件时返回True,否则返回False。
- Parameters:
t1 – 输入 XTensor 。
t2 – 输入 XTensor 。
- Returns:
输出 XTensor 。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor a = XTensor([0, 1, 10, 0]) b = XTensor([4, 0, 1, 0]) flag = tensor.logical_or(a,b) print(flag) # [ True True True False]
logical_not¶
- pyvqnet.xtensor.logical_not(t)¶
对输入进行逐元素逻辑非操作,其中对应位置元素满足条件时返回True,否则返回False。
- Parameters:
t – 输入 XTensor 。
- Returns:
输出 XTensor 。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor a = XTensor([0, 1, 10, 0]) flag = tensor.logical_not(a) print(flag) # [ True False False True]
logical_xor¶
- pyvqnet.xtensor.logical_xor(t1, t2)¶
对两个输入进行逐元素逻辑异或操作,其中对应位置元素满足条件时返回True,否则返回False。
- Parameters:
t1 – 输入 XTensor 。
t2 – 输入 XTensor 。
- Returns:
输出 XTensor 。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor a = XTensor([0, 1, 10, 0]) b = XTensor([4, 0, 1, 0]) flag = tensor.logical_xor(a,b) print(flag) # [ True True False False]
greater¶
- pyvqnet.xtensor.greater(t1, t2)¶
逐元素比较 t1 是否大于 t2 ,其中对应位置元素满足条件时返回True,否则返回False。
- Parameters:
t1 – 输入 XTensor 。
t2 – 输入 XTensor 。
- Returns:
输出 XTensor 。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor a = XTensor([[1, 2], [3, 4]]) b = XTensor([[1, 1], [4, 4]]) flag = tensor.greater(a,b) print(flag) # [[False True] # [False False]]
greater_equal¶
- pyvqnet.xtensor.greater_equal(t1, t2)¶
逐元素比较 t1 是否大于等于 t2 ,其中对应位置元素满足条件时返回True,否则返回False。
- Parameters:
t1 – 输入 XTensor 。
t2 – 输入 XTensor 。
- Returns:
输出 XTensor 。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor a = XTensor([[1, 2], [3, 4]]) b = XTensor([[1, 1], [4, 4]]) flag = tensor.greater_equal(a,b) print(flag) #[[ True True] # [False True]]
less¶
- pyvqnet.xtensor.less(t1, t2)¶
逐元素比较 t1 是否小于 t2 ,其中对应位置元素满足条件时返回True,否则返回False。
- Parameters:
t1 – 输入 XTensor 。
t2 – 输入 XTensor 。
- Returns:
输出 XTensor 。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor a = XTensor([[1, 2], [3, 4]]) b = XTensor([[1, 1], [4, 4]]) flag = tensor.less(a,b) print(flag) #[[False False] # [ True False]]
less_equal¶
- pyvqnet.xtensor.less_equal(t1, t2)¶
逐元素比较 t1 是否小于等于 t2 ,其中对应位置元素满足条件时返回True,否则返回False。
- Parameters:
t1 – 输入 XTensor 。
t2 – 输入 XTensor 。
- Returns:
输出 XTensor 。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor a = XTensor([[1, 2], [3, 4]]) b = XTensor([[1, 1], [4, 4]]) flag = tensor.less_equal(a,b) print(flag) # [[ True False] # [ True True]]
equal¶
- pyvqnet.xtensor.equal(t1, t2)¶
逐元素比较 t1 是否等于 t2 ,其中对应位置元素满足条件时返回True,否则返回False。
- Parameters:
t1 – 输入 XTensor 。
t2 – 输入 XTensor 。
- Returns:
输出 XTensor 。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor a = XTensor([[1, 2], [3, 4]]) b = XTensor([[1, 1], [4, 4]]) flag = tensor.equal(a,b) print(flag) #[[ True False] # [False True]]
not_equal¶
- pyvqnet.xtensor.not_equal(t1, t2)¶
逐元素比较 t1 是否不等于 t2 ,其中对应位置元素满足条件时返回True,否则返回False。
- Parameters:
t1 – 输入 XTensor 。
t2 – 输入 XTensor 。
- Returns:
输出 XTensor 。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor a = XTensor([[1, 2], [3, 4]]) b = XTensor([[1, 1], [4, 4]]) flag = tensor.not_equal(a,b) print(flag) #[[False True] # [ True False]]
矩阵操作¶
broadcast¶
- pyvqnet.xtensor.broadcast(t1: pyvqnet.xtensor.XTensor, t2: pyvqnet.xtensor.XTensor)¶
受到某些限制,较小的阵列在整个更大的阵列,以便它们具有兼容的形状。该接口可对入参张量进行自动微分。
参考https://numpy.org/doc/stable/user/basics.broadcasting.html
- Parameters:
t1 – 输入 XTensor 1
t2 – 输入 XTensor 2
- Return t11:
具有新的广播形状 t1。
- Return t22:
具有新广播形状的 t2。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor t1 = tensor.ones([5, 4]) t2 = tensor.ones([4]) t11, t22 = tensor.broadcast(t1, t2) print(t11.shape) print(t22.shape) t1 = tensor.ones([5, 4]) t2 = tensor.ones([1]) t11, t22 = tensor.broadcast(t1, t2) print(t11.shape) print(t22.shape) t1 = tensor.ones([5, 4]) t2 = tensor.ones([2, 1, 4]) t11, t22 = tensor.broadcast(t1, t2) print(t11.shape) print(t22.shape) # [5, 4] # [5, 4] # [5, 4] # [5, 4] # [2, 5, 4] # [2, 5, 4]
concatenate¶
- pyvqnet.xtensor.concatenate(args: list, axis=0)¶
对 args 内的多个 XTensor 沿 axis 轴进行联结,返回一个新的 XTensor 。
- Parameters:
args – 包含输入 XTensor 。
axis – 要连接的维度,默认:0。
- Returns:
输出 XTensor 。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor x = XTensor([[1, 2, 3],[4,5,6]]) y = 1-x x = tensor.concatenate([x,y],1) print(x) # [ # [1., 2., 3., 0., -1., -2.], # [4., 5., 6., -3., -4., -5.] # ]
stack¶
- pyvqnet.xtensor.stack(XTensors: list, axis=0)¶
沿新轴 axis 堆叠输入的 XTensors ,返回一个新的 XTensor。
- Parameters:
XTensors – 包含输入 XTensor 。
axis – 要堆叠的维度,默认:0。
- Returns:
输出 XTensor 。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor import numpy as np R, C = 3, 4 a = np.arange(R * C).reshape(R, C).astype(np.float32) t11 = XTensor(a) t22 = XTensor(a) t33 = XTensor(a) rlt1 = tensor.stack([t11,t22,t33],2) print(rlt1) # [ # [[0., 0., 0.], # [1., 1., 1.], # [2., 2., 2.], # [3., 3., 3.]], # [[4., 4., 4.], # [5., 5., 5.], # [6., 6., 6.], # [7., 7., 7.]], # [[8., 8., 8.], # [9., 9., 9.], # [10., 10., 10.], # [11., 11., 11.]] # ]
permute¶
- pyvqnet.xtensor.permute(t: pyvqnet.xtensor.XTensor, *axes)¶
根据输入的 axes 的顺序,改变t 的轴的顺序。如果 axes = None,则按顺序反转 t 的轴。
- Parameters:
t – 输入 XTensor 。
axes – 维度的新顺序,默认:None,反转。
- Returns:
输出 XTensor 。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor import numpy as np R, C = 3, 4 a = np.arange(R * C).reshape([2,2,3]).astype(np.float32) t = XTensor(a) tt = tensor.permute(t,[2,0,1]) print(tt) # [ # [[0., 3.], # [6., 9.]], # [[1., 4.], # [7., 10.]], # [[2., 5.], # [8., 11.]] # ]
transpose¶
- pyvqnet.xtensor.transpose(t: pyvqnet.xtensor.XTensor, *axes)¶
根据输入的 axes 的顺序,改变t 的轴的顺序。如果 axes = None,则按顺序反转 t 的轴。
- Parameters:
t – 输入 XTensor 。
axes – 维度的新顺序,默认:None,反转。
- Returns:
输出 XTensor 。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor import numpy as np R, C = 3, 4 a = np.arange(R * C).reshape([2,2,3]).astype(np.float32) t = XTensor(a) tt = tensor.transpose(t,[2,0,1]) print(tt) # [ # [[0., 3.], # [6., 9.]], # [[1., 4.], # [7., 10.]], # [[2., 5.], # [8., 11.]] # ]
tile¶
- pyvqnet.xtensor.tile(t: pyvqnet.xtensor.XTensor, reps: list)¶
通过按照 reps 给出的次数复制输入 XTensor 。
如果 reps 的长度为 d,则结果 XTensor 的维度大小为 max(d, t.ndim)。如果 t.ndim < d,则通过从起始维度插入新轴,将 t 扩展为 d 维度。
因此形状 (3,) 数组被提升为 (1, 3) 用于 2-D 复制,或形状 (1, 1, 3) 用于 3-D 复制。如果 t.ndim > d,reps 通过插入 1 扩展为 t.ndim。
因此,对于形状为 (2, 3, 4, 5) 的 t,(4, 3) 的 reps 被视为 (1, 1, 4, 3)。
- Parameters:
t – 输入 XTensor 。
reps – 每个维度的重复次数。
- Returns:
一个新的 XTensor 。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor import numpy as np a = np.arange(6).reshape(2,3).astype(np.float32) A = XTensor(a) reps = [2,2] B = tensor.tile(A,reps) print(B) # [ # [0., 1., 2., 0., 1., 2.], # [3., 4., 5., 3., 4., 5.], # [0., 1., 2., 0., 1., 2.], # [3., 4., 5., 3., 4., 5.] # ]
squeeze¶
- pyvqnet.xtensor.squeeze(t: pyvqnet.xtensor.XTensor, axis: int = -1)¶
删除 axis 指定的轴,该轴的维度为1。如果 axis = None ,则将输入所有长度为1的维度删除。
- Parameters:
t – 输入 XTensor 。
axis – 要压缩的轴,默认为None。
- Returns:
输出 XTensor 。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor import numpy as np a = np.arange(6).reshape(1,6,1).astype(np.float32) A = XTensor(a) AA = tensor.squeeze(A,0) print(AA) # [ # [0.], # [1.], # [2.], # [3.], # [4.], # [5.] # ]
unsqueeze¶
- pyvqnet.xtensor.unsqueeze(t: pyvqnet.xtensor.XTensor, axis: int = 0)¶
在axis 指定的维度上插入一个维度为的1的轴,返回一个新的 XTensor 。
- Parameters:
t – 输入 XTensor 。
axis – 要插入维度的位置,默认为0。
- Returns:
输出 XTensor 。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor import numpy as np a = np.arange(24).reshape(2,1,1,4,3).astype(np.float32) A = XTensor(a) AA = tensor.unsqueeze(A,1) print(AA) # [ # [[[[[0., 1., 2.], # [3., 4., 5.], # [6., 7., 8.], # [9., 10., 11.]]]]], # [[[[[12., 13., 14.], # [15., 16., 17.], # [18., 19., 20.], # [21., 22., 23.]]]]] # ]
swapaxis¶
- pyvqnet.xtensor.swapaxis(t, axis1: int, axis2: int)¶
交换输入 t 的 第 axis1 和 axis 维度。
- Parameters:
t – 输入 XTensor 。
axis1 – 要交换的第一个轴。
axis2 – 要交换的第二个轴。
- Returns:
输出 XTensor 。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor import numpy as np a = np.arange(24).reshape(2,3,4).astype(np.float32) A = XTensor(a) AA = tensor.swapaxis(A, 2, 1) print(AA) # [ # [[0., 4., 8.], # [1., 5., 9.], # [2., 6., 10.], # [3., 7., 11.]], # [[12., 16., 20.], # [13., 17., 21.], # [14., 18., 22.], # [15., 19., 23.]] # ]
masked_fill¶
- pyvqnet.xtensor.masked_fill(t, mask, value)¶
在 mask == 1 的位置,用值 value 填充输入。 mask的形状必须与输入的 XTensor 的形状是可广播的。
- Parameters:
t – 输入 XTensor。
mask – 掩码 XTensor,必须是kbool。
value – 填充值。
- Returns:
一个 XTensor。
Examples:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor import numpy as np a = tensor.ones([2, 2, 2, 2]) mask = np.random.randint(0, 2, size=4).reshape([2, 2]) b = tensor.XTensor(mask==1) c = tensor.masked_fill(a, b, 13) print(c) # [ # [[[1., 1.], # [13., 13.]], # [[1., 1.], # [13., 13.]]], # [[[1., 1.], # [13., 13.]], # [[1., 1.], # [13., 13.]]] # ]
flatten¶
- pyvqnet.xtensor.flatten(t: pyvqnet.xtensor.XTensor, start: int = 0, end: int = -1)¶
将输入 t 从 start 到 end 的连续维度展平。
- Parameters:
t – 输入 XTensor 。
start – 展平开始的轴,默认 = 0,从第一个轴开始。
end – 展平结束的轴,默认 = -1,以最后一个轴结束。
- Returns:
输出 XTensor 。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor t = XTensor([1, 2, 3]) x = tensor.flatten(t) print(x) # [1., 2., 3.]
reshape¶
- pyvqnet.xtensor.reshape(t: pyvqnet.xtensor.XTensor, new_shape)¶
改变 XTensor 的形状,返回一个新的张量。
- Parameters:
t – 输入 XTensor 。
new_shape – 新的形状。
- Returns:
新形状的 XTensor 。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor import numpy as np R, C = 3, 4 a = np.arange(R * C).reshape(R, C).astype(np.float32) t = XTensor(a) reshape_t = tensor.reshape(t, [C, R]) print(reshape_t) # [ # [0., 1., 2.], # [3., 4., 5.], # [6., 7., 8.], # [9., 10., 11.] # ]
flip¶
- pyvqnet.xtensor.flip(t, flip_dims)¶
沿指定轴反转XTensor,返回一个新的张量。
- Parameters:
t – 输入 XTensor 。
flip_dims – 需要翻转的轴或轴列表。
- Returns:
新形状的 XTensor 。
Example:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor t = tensor.arange(1, 3 * 2 *2 * 2 + 1).reshape([3, 2, 2, 2]) t.requires_grad = True y = tensor.flip(t, [0, -1]) print(y) # [ # [[[18., 17.], # [20., 19.]], # [[22., 21.], # [24., 23.]]], # [[[10., 9.], # [12., 11.]], # [[14., 13.], # [16., 15.]]], # [[[2., 1.], # [4., 3.]], # [[6., 5.], # [8., 7.]]] # ]
broadcast_to¶
- pyvqnet.xtensor.broadcast_to(t, ref)¶
受到某些约束,数组 t 被“广播”到参考形状,以便它们具有兼容的形状。
https://numpy.org/doc/stable/user/basics.broadcasting.html
- Parameters:
t – 输入XTensor
ref – 参考形状。
- Returns:
新广播的 t 的 XTensor。
Example:
import pyvqnet.xtensor as tensor ref = [2,3,4] a = tensor.ones([4]) b = tensor.broadcast_to(a,ref) print(b.shape) #[2, 3, 4]
实用函数¶
to_xtensor¶
- pyvqnet.xtensor.to_xtensor(x, device=None, dtype=None)¶
将输入数值或 numpy.ndarray 等转换为 XTensor 。
- Parameters:
x – 整数、浮点数、布尔数、复数、或 numpy.ndarray
device – 储存在哪个设备上,默认: None,在CPU上。
dtype – 参数的数据类型,defaults:None,使用默认数据类型:kfloat32,代表32位浮点数。
- Returns:
输出 XTensor
Example:
import pyvqnet.xtensor as tensor t = tensor.to_xtensor(10.0) print(t) # [10.]
pad_sequence¶
- pyvqnet.xtensor.pad_sequence(qtensor_list, batch_first=False, padding_value=0)¶
用
padding_value
填充可变长度张量列表。pad_sequence
沿新维度堆叠张量列表,并将它们填充到相等的长度。 输入是列表大小为L x *
的序列。 L 是可变长度。- Parameters:
qtensor_list – list[XTensor]- 可变长度序列列表。
batch_first – ‘bool’ - 如果为真,输出将是
批大小 x 最长序列长度 x *
,否则为最长序列长度 x 批大小 x *
。 默认值: False。padding_value – ‘float’ - 填充值。 默认值:0。
- Returns:
如果 batch_first 为
False
,则张量大小为批大小 x 最长序列长度 x *
。 否则张量的大小为最长序列长度 x 批大小 x *
。
Examples:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor a = tensor.ones([4, 2,3]) b = tensor.ones([1, 2,3]) c = tensor.ones([2, 2,3]) a.requires_grad = True b.requires_grad = True c.requires_grad = True y = tensor.pad_sequence([a, b, c], True) print(y) # [ # [[[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., 1., 1.], # [1., 1., 1.]], # [[0., 0., 0.], # [0., 0., 0.]], # [[0., 0., 0.], # [0., 0., 0.]], # [[0., 0., 0.], # [0., 0., 0.]]], # [[[1., 1., 1.], # [1., 1., 1.]], # [[1., 1., 1.], # [1., 1., 1.]], # [[0., 0., 0.], # [0., 0., 0.]], # [[0., 0., 0.], # [0., 0., 0.]]] # ]
pad_packed_sequence¶
- pyvqnet.xtensor.pad_packed_sequence(sequence, batch_first=False, padding_value=0, total_length=None)¶
填充一批打包的可变长度序列。它是 pack_pad_sequence 的逆操作。 当
batch_first
是 True,它将返回B x T x *
形状的张量,否则返回T x B x *
。 其中 T 为序列最长长度, B 为批处理大小。- Parameters:
sequence – ‘XTensor’ - 待处理数据。
batch_first – ‘bool’ - 如果为
True
,批处理将是输入的第一维。 默认值:False。padding_value – ‘bool’ - 填充值。默认:0。
total_length – ‘bool’ - 如果不是
None
,输出将被填充到长度total_length
。 默认值:None。
- Returns:
包含填充序列的张量元组,以及批次中每个序列的长度列表。批次元素将按照最初的顺序重新排序。
Examples:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor a = tensor.ones([4, 2,3]) b = tensor.ones([2, 2,3]) c = tensor.ones([1, 2,3]) a.requires_grad = True b.requires_grad = True c.requires_grad = True y = tensor.pad_sequence([a, b, c], True) seq_len = [4, 2, 1] data = tensor.pack_pad_sequence(y, seq_len, batch_first=True, enforce_sorted=True) seq_unpacked, lens_unpacked = tensor.pad_packed_sequence(data, batch_first=True) print(seq_unpacked) # [[[[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. 1. 1.] # [1. 1. 1.]] # [[1. 1. 1.] # [1. 1. 1.]] # [[0. 0. 0.] # [0. 0. 0.]] # [[0. 0. 0.] # [0. 0. 0.]]] # [[[1. 1. 1.] # [1. 1. 1.]] # [[0. 0. 0.] # [0. 0. 0.]] # [[0. 0. 0.] # [0. 0. 0.]] # [[0. 0. 0.] # [0. 0. 0.]]]] print(lens_unpacked) # [4, 2, 1]
pack_pad_sequence¶
- pyvqnet.xtensor.pack_pad_sequence(input, lengths, batch_first=False, enforce_sorted=True)¶
打包一个包含可变长度填充序列的张量。 如果 batch_first 是 True, input 的形状应该为 [批大小,长度,*],否则形状 [长度,批大小,*]。
对于未排序的序列,使用
enforce_sorted
是 False。 如果enforce_sorted
是True
,序列应该按长度降序排列。- Parameters:
input – ‘XTensor’ - 填充的可变长度序列。
lengths – ‘list’ - 每个批次的序列长度。
batch_first – ‘bool’ - 如果
True
,则输入预期为B x T x *
格式,默认:False。enforce_sorted – ‘bool’ - 如果
True
,输入应该是 包含按长度降序排列的序列。 如果False
,输入将无条件排序。 默认值:True。
- Returns:
一个
PackedSequence
对象。
Examples:
from pyvqnet.xtensor import XTensor import pyvqnet.xtensor as tensor a = tensor.ones([4, 2,3]) c = tensor.ones([1, 2,3]) b = tensor.ones([2, 2,3]) a.requires_grad = True b.requires_grad = True c.requires_grad = True y = tensor.pad_sequence([a, b, c], True) seq_len = [4, 2, 1] data = tensor.pack_pad_sequence(y, seq_len, batch_first=True, enforce_sorted=False) print(data.data) # [[[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. 1. 1.] # [1. 1. 1.]] # [[1. 1. 1.] # [1. 1. 1.]] # [[1. 1. 1.] # [1. 1. 1.]]] print(data.batch_sizes) # [3, 2, 1, 1]