torch.acos() 方法計算輸入張量的每個元素的反餘弦。它支援實數和複數輸入。它支援輸入張量的任何維度。輸入張量的元素必須在 [-1, 1] 範圍內，因為反餘弦函式的定義域為 [-1, 1]。torch.acosh() 方法計算輸入張量的每個元素的反雙曲餘弦。它也支援任何維度的實數和複數輸入。輸入張量的元素必須大於或等於 1，因為反餘弦函式的... 閱讀更多

要建立元素從泊松分佈取樣的張量，我們應用 torch.poisson() 方法。此方法將元素為速率引數的張量作為輸入張量。它返回一個張量，其元素是從具有速率引數的泊松分佈中取樣的。語法torch.poisson(rates)其中引數 rates 是速率引數的 torch 張量。速率引數用於從泊松分佈中取樣元素。步驟我們可以使用以下步驟來建立元素從泊松分佈中取樣的張量 - 匯入所需的庫。在以下所有示例中，所需的 Python 庫是 torch。... 閱讀更多

要計算輸入張量中每個元素的 Heaviside 階躍函式，我們使用 torch.heaviside() 方法。它接受兩個引數 - 輸入和值。它返回一個具有計算出的 Heaviside 階躍函式的新張量。如果輸入=0，則 Heaviside 函式的值與值相同。如果輸入小於零，則 Heaviside 的值為零。如果輸入大於零，則 Heaviside 的值為 1。它接受任何維度的 torch 張量。它也稱為單位階躍函式。語法torch.heaviside(input, values)步驟我們可以使用以下步驟來計算 Heaviside 階躍函式 - 匯入... 閱讀更多

要從伯努利分佈中提取二進位制隨機數（0 或 1），我們應用 torch.bernoulli() 方法。此方法的輸入是一個 torch 張量，其中包含提取 1 的機率。這些機率用於提取二進位制隨機數（0 或 1）。由於輸入張量包含機率，因此所有元素都應在 [0, 1] 範圍內。它返回一個張量，其元素（0 或 1）是從具有輸入機率的伯努利分佈中隨機選擇的。語法torch.bernoulli(input)其中，引數 input 是一個 torch 張量，包含提取 1 的機率。這些機率用於提取... 閱讀更多

要建立從具有給定均值和標準差的單獨正態分佈中提取的隨機數的張量，我們應用 torch.normal() 方法。此方法採用兩個輸入引數 - 均值和標準差。均值是具有每個輸出元素正態分佈均值的張量，而標準差是具有每個輸出元素正態分佈標準差的張量。它返回一個從具有均值和標準差為均值和標準差的單獨正態分佈中提取的隨機數的張量。語法torch.normal(mean, std)步驟我們可以使用以下步驟來建立從單獨正態分佈中提取的隨機數的張量 - 匯入所需的... 閱讀更多

使用給定的絕對值和角度，我們可以使用 torch.polar() 方法在 PyTorch 中構造一個複數。絕對值和角度必須是浮點數或雙精度數。絕對值和角度必須都具有相同的型別。如果 abs 是浮點數，則角度也必須是浮點數。如果輸入是 torch.float32，則構造的複數張量必須是 torch.complex64。如果輸入是 torch.float64，則複數張量必須是 torch.complex128。語法torch.polar(abs, angle)引數abs – 複數張量的絕對長度。angle – 複數張量的角度。步驟我們可以使用以下步驟來構造具有... 閱讀更多

hessian() 函式計算給定函式的 Hessian 矩陣。hessian() 函式可以從 torch.autograd.functional 模組訪問。正在計算 Hessian 矩陣的函式將張量作為輸入並返回張量元組或張量。hessian() 函式返回一個張量，其中包含為具有給定輸入的函式計算的 Hessian 矩陣值。語法torch.autograd.functional.hessian(func, input)引數func - 它是計算 Hessian 矩陣的 Python 函式。input - 它是函式 func 的輸入。步驟我們可以使用以下步驟來計算給定函式的 Hessian 矩陣 - 匯入所需的庫。在以下所有... 閱讀更多

jacobian() 函式計算給定函式的雅可比矩陣。jacobian() 函式可以從 torch.autograd.functional 模組訪問。正在計算雅可比矩陣的函式將張量作為輸入並返回張量元組或張量。jacobian() 函式返回一個張量，其中包含為具有給定輸入的函式計算的雅可比矩陣值。語法torch.autograd.functional.jacobian(func, input)引數func - 它是計算雅可比矩陣的 Python 函式。input - 它是函式 func 的輸入。步驟我們可以使用以下步驟來計算給定函式的雅可比矩陣 - 匯入所需的庫。在以下所有... 閱讀更多

要調整影像的銳度，我們應用 adjust_sharpness()。它是 torchvision.transforms 模組提供的功能轉換之一。adjust_sharpness() 轉換接受 PIL 和張量影像。張量影像是一個 PyTorch 張量，形狀為 [C, H, W]，其中 C 是通道數，H 是影像高度，W 是影像寬度。此轉換還接受一批張量影像。如果影像既不是 PIL 影像也不是張量影像，那麼我們首先將其轉換為張量影像，然後應用 adjust_sharpness()。銳度應為任何非負數。語法torchvision.transforms.functional.adjust_sharpness(img, sharpness_factor)引數img – 影像... 閱讀更多

使用給定的實部和虛部，我們可以使用 torch.complex() 方法在 PyTorch 中構造一個複數。實部和虛部必須是浮點數或雙精度數。實部和虛部都必須具有相同的型別。如果實部是浮點數，則虛部也必須是浮點數。如果輸入是 torch.float32，則構造的複數張量必須是 torch.complex64。如果輸入是 torch.float64，則複數張量必須是 torch.complex128。語法torch.complex(real, imag)引數real 和 imag – 複數張量的實部和虛部。兩者都必須具有相同的 dtype，只能是浮點數或雙精度數。步驟我們可以使用... 閱讀更多