1-4.py

import torch
A = torch.randn(3,3)#Noraml의 N 정규분포 즉 평균이 0 분산이 1인 분포
B = torch.rand(3,3)#이건 Uniform 0~1사이 값

A = torch.randn(3,3)
print(torch.abs(A))#absolute(절댓값)
print(torch.sqrt(torch.abs(A)))#sqrt 루트(양의 제곱근)
print(torch.exp(A))#A에 있는 모든 각각의 행,열의 값을 e의 제곱근에 넣음
print(torch.log(torch.abs(A)))#자연로그라서 log_e n형식으로 들어감
print(torch.log(torch.exp(torch.tensor(1))))#자연 로그라서 1
#파이토치는 좀 엄격해서 함수를 쓸때 함수안에는 반드시 torch형태로 만들어진 tensor형의 변수만 사용 가능
print(torch.log10(torch.tensor(10)))#상용로그로 바꿔서 1
print(torch.round(A))#반올림
print(torch.round(A,decimals=2))#소숫점 2째자리까리 반올림
print(torch.floor(A))#내림
print(torch.ceil(A))#올림

print(torch.sin(torch.tensor(torch.pi/6)))# type(torch.pi) <= float형 만약 tensor와 연산하면 tensor로 바꿔줌
print(torch.cos(torch.tensor(torch.pi/3)))
print(torch.tan(torch.tensor(torch.pi/4)))
print(torch.tanh(torch.tensor(-10)))

type(torch.tensor(1)/6)

torch.nan
print(torch.log(torch.tensor(-1)))
print(torch.isnan(torch.tensor([1,2,torch.nan,3,4])))#nan이 어딨냐
print(torch.isinf(torch.tensor([1,2,3,4,torch.inf])))#inf가 어딨냐

A = torch.randn(3,4)
print(torch.max(A))
print(torch.max(A,dim=0))#dim=0은 0번째 차원에서 검사 즉 행의 방향으로 가장 큰 값들을 검사해서 출력
print(torch.max(A,dim=1))#dim=1 방향 즉 열의 방향으로 가장 큰 값들을 검사해서 출력

print(torch.max(A,dim=0,keepdims=True))#keepdims는 말 그대로 차원 보존 0번째 차원 행의 방향으로 보존
print(torch.max(A,dim=1, keepdims=True))#열의 방향으로 차원보존 아까와 다르게 3,1로 만들어짐
print(torch.argmax(A))#indices(어디에 최댓값이 있는지)만 얻을 수 있음

import torch
a = torch.randn(6,1)
print(a)
a_sorted=torch.sort(a,dim=0)#정렬
print(a_sorted)

a_descending= torch.sort(a,dim=0,descending=True)

A = torch.randn(3,4)
print(torch.sum(A))
print(torch.sum(A,dim=1))#열의 방향으로 더함
print(torch.sum(A,dim=1,keepdim=True))#keepsdim으로 차원보존
print(torch.mean(A))
print(torch.mean(A,dim=1))
print(torch.mean(A,dim=1,keepdim=True))
print(torch.std(A))#standard deviation 표준 편차

#reshape
A = torch.randint(1,5,size=(12,))#1부터 5까지의 랜덤 숫자로 12개 만드는 거
B = A.reshape(2,2,3)#2행3열짜리 2개로 만들어라
print(B.ndim)#ndim은 차원의 갯수

import torch
A = torch.arange(20,)
print(A)
print(A.reshape(4,5))#당연히 숫자가 맞아야함 4X5 = 20
print(A.reshape(4,-1).shape)#-1은 알아서 채워라는 뜻 행은 4개로 열은 알아서 채워

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

a = a.reshape(3,1)
b = b.reshape(3,1)

print(a.transpose(1,0)@b)#transpose(0번째,1번째)차원 자리 바꿔라 이말임 거기다가 @b로 행렬곱 수행
print(a.permute(1,0)@b)#얘도 비슷함permute(0번째에 몇번째 얘 오게 할래,1번째엔 몇번쨰 애 오게 할래) 거의 비슷하게 수행 하지만 3차원부터 좀 달라짐
print(a.T@b)
print(a.t()@b)#이렇게 2개로도 transpose해서 행렬곱 가능

A = torch.randn(4,3,6)
print(A.permute(0,2,1).shape)#(0번째, 2번째, 1번째 가져와) 그러면 (4,6,3)이 됨
print(A.transpose(1,2).shape)#(1번째,2번째) 자리 바꿔 이러면 (4,6,3)이 됨 자리 바꾸는 거여서 (2,1)해도 같은 결과가 나옴

x = torch.randn(2,3,4,5,5,6)
print(x[1,2,:,:,:].shape)#:,:,:은 뒤에 꺼 다 갖고와
print(x[1,2,...])#위에 코드랑 같은 의미 뒤에 꺼 다 갖고와

A = torch.ones(3,4)
B = torch.zeros(3,4)
C = torch.vstack([A,B])#v는 0번째 차원 세로로 쌓는다
D = torch.hstack([A,B])#h는 1번째 차원 가로로 쌓는다
E = torch.cat([A,B],dim=0)#vstack이랑 같은 의미 0번째 차원 세로로
F = torch.cat([A,B],dim=1)#hstack이랑 같음 1번째 차원 가로로

A = torch.randn(1,1,1,3,1,1,1,4,1,1,1)
print(A.squeeze().shape)#squeeze는 필요 없는 차원을 없애는 거 1개만 있는 차원은 필요없으니 사라져서 (3,4)가 나옴
print(A.squeeze(dim=(0,2,4,5)).shape)#0,2,4,5 번째에 해당하는 차원을 없애달라

A = torch.randn(3,4)
print(A.unsqueeze(dim=0).shape)#unsqueeze는 말 그대로 squeeze의 반대 가상의 차원을 생성 dim=n으로 원하는 곳에 생성가능
#reshape으로도 가능하지만 나머지 차원을 다 써줘야해서 unsqueeze가 좀 더 간단함

A = torch.ones(3,4)
B = torch.zeros(3,4)
C = torch.stack([A,B])
print(C)#unsqueeze 말고 stack으로도 가능한데 stack은 A와 B의 차원이 완벽하게 맞아야함 cat은 쌓을 차원 이외에 차원만 맞아도 가능한데 이건 안됨

A = torch.tensor([[1,2],[3,4]])
B = A
B[0,0] = 100
print(B)
print(A)#print(B)와 같은 결과가 나옴 주소 까지 복사함
#B = A.clone()이렇게 해주면 값은 같지만 주소는 달라서 B는 다른 텐서가 되서 수정해도 A에 영향이 안감

A = torch.randn(5,7)
B = torch.randn(7,10)
C = A@B
#이러면 5,10이 나옴

A = torch.randn(32,5,7)
B = torch.randn(32,7,10)
C = A@B
print(C.shape)
#3차원에 대해서 행렬 곱을 하면 5,7 7,10 각각의 대해서 모두 행렬 곱을 해서 32,5,10이 나옴 행렬 곱을 32번 하게 되는거임

A = torch.randn(32,5,7)
B = torch.randn(7,10)
C = A@B
print(C.shape)
#이렇게 되면 B를 32개를 복제해서 곱함 결과는 아까와 같은 32,5,10