Logisch oder in Pytorch

Logisch oder in Pytorch
„In diesem Pytorch -Tutorial sehen wir mit logocal_or (), wie man einen logischen oder Betrieb auf einem Tensor ausführt.

Pytorch ist ein Open-Source-Framework mit einer Python-Programmiersprache. Wir können die Daten in Pytorch in Form eines Tensors verarbeiten.

Ein Tensor ist ein mehrdimensionales Array, mit dem die Daten gespeichert werden. Für die Verwendung eines Tensors müssen wir das Fackelmodul importieren.

Um einen Tensor zu erstellen, ist die verwendete Methode Tensor () ““

Syntax:

Fackel.Tensor (Daten)

Wobei Daten ein mehrdimensionales Array sind.

Fackel.logical_or ()

Fackel.logical_or () in pytorch wird an zwei Tensorobjekten durchgeführt. Es wird einen Elementvergleich durchführen und wahr zurückkehren. Beide Elemente sind wahr oder größer als 0 und geben falsch zurück, wenn beide Elemente falsch oder 0 sind. Es dauert zwei Tensoren als Parameter.

Syntax:

Fackel.logical_or (Tensor_Object1, Tensor_Object2)

Parameter:

  1. Tensor_Object1 ist der erste Tensor
  2. Tensor_Object2 ist der zweite Tensor

Beispiel 1

In diesem Beispiel erstellen wir zwei eindimensionale Tensoren - Data1 und Data2 mit jeweils 5 booleschen Werten und führen logical_or () durch.

#import Fackelmodul
Taschenlampe importieren
#create einen 1D -Tensor - Daten1 mit 5 booleschen Werten
Data1 = Fackel.Tensor ([Falsch, wahr, wahr, wahr, falsch])
#create einen 1D -Tensor - Data2 mit 5 booleschen Werten
Data2 = Taschenlampe.Tensor ([falsch, falsch, wahr, falsch, wahr])
#Anzeige
print ("Erster Tensor:", Data1)
print ("Zweiter Tensor:", Data2)
#Logical_or auf Data1 und Data2
print ("logisch oder über zwei Tensoren:", Taschenlampe.logical_or (Data1, data2))

Ausgang:

Erster Tensor: Tensor ([Falsch, wahr, wahr, wahr, falsch])
Zweiter Tensor: Tensor ([falsch, falsch, wahr, falsch, wahr])
Logisch oder auf zwei Tensoren: Tensor ([Falsch, wahr, wahr, wahr, wahr])

Arbeiten:

  1. logical_or (falsch, falsch) - Falsch
  2. logical_or (wahr, falsch) - wahr
  3. logical_or (true, true) - wahr
  4. logical_or (wahr, falsch) - wahr
  5. logical_or (falsch, wahr) - wahr

Beispiel 2

In diesem Beispiel werden wir zweidimensionale Tensoren erstellen - Data1 und Data2 mit jeweils 5 booleschen Werten in einer Zeile und führen logical_or () durch.

#import Fackelmodul
Taschenlampe importieren
#create einen 2D -Tensor - Data1 mit 5 booleschen Werten in jeder Zeile
Data1 = Fackel.Tensor ([[Falsch, wahr, wahr, wahr, falsch], [falsch, wahr, wahr, wahr, falsch]]))
#create einen 2D -Tensor - Data2 mit 5 booleschen Werten in jeder Zeile
Data2 = Taschenlampe.Tensor ([[falsch, falsch, wahr, falsch, wahr], [falsch, falsch, wahr, falsch, wahr]])
#Anzeige
print ("Erster Tensor:", Data1)
print ("Zweiter Tensor:", Data2)
#Logical_or auf Data1 und Data2
print ("logisch oder über zwei Tensoren:", Taschenlampe.logical_or (Data1, data2))

Ausgang:

Erster Tensor: Tensor ([[Falsch, wahr, wahr, wahr, falsch],
[Falsch, wahr, wahr, wahr, falsch]]))
Zweiter Tensor: Tensor ([[Falsch, falsch, wahr, falsch, wahr],
[Falsch, falsch, wahr, falsch, wahr]]))
Logisch oder auf zwei Tensoren: Tensor ([[Falsch, wahr, wahr, wahr, wahr], [Falsch, wahr, wahr, wahr, wahr]])

Beispiel 3

In diesem Beispiel werden wir zweidimensionale Tensoren erstellen - Data1 und Data2 mit jeweils 5 numerischen Werten in einer Zeile und führen logical_or () durch.

#import Fackelmodul
Taschenlampe importieren
#create einen 2D -Tensor - Data1 mit 5 numerischen Werten in jeder Zeile
Data1 = Fackel.Tensor ([[23,45,67,0,0], [12,21,34,56,78]])
#create einen 2D -Tensor - Data2 mit 5 numerischen Werten in jeder Zeile
Data2 = Taschenlampe.Tensor ([[0,0,55,78,23], [10,20,44,56,0]])
#Anzeige
print ("Erster Tensor:", Data1)
print ("Zweiter Tensor:", Data2)
#Logical_or auf Data1 und Data2
print ("logisch oder über zwei Tensoren:", Taschenlampe.logical_or (Data1, data2))

Ausgang:

Erster Tensor: Tensor ([[23, 45, 67, 0, 0],
[12, 21, 34, 56, 78]])
Zweiter Tensor: Tensor ([[0, 0, 55, 78, 23],
[10, 20, 44, 56, 0]])
Logisch oder über zwei Tensoren: Tensor ([[wahr, wahr, wahr, wahr, wahr],
[Wahr, wahr, wahr, wahr, wahr]]))

Arbeiten:

  1. logical_or (23, 0) - true, logical_or (12, 10) - True
  2. logical_or (45, 0) - true, logical_or (21, 20) - True
  3. logical_or (67, 55) - true, logical_or (34, 44) - True
  4. logical_or (0, 78) - true, logical_or (56, 56) - True
  5. logical_or (0, 23) - true, logical_or (78, 0) - True

Beispiel 4

In diesem Beispiel erstellen wir zweidimensionale Tensoren - Data1 und Data2 mit jeweils 5 numerischen und logischen Werten in einer Zeile und führen logical_or () aus ().

Hier betrachtet es wahr als 1 und falsch als 0.

#import Fackelmodul
Taschenlampe importieren
#create einen 2D -Tensor - Data1 mit 5 numerischen und logischen Werten in jeder Zeile
Data1 = Fackel.Tensor ([[23,45,67,0,0], [falsch, wahr, wahr, wahr, falsch]])
#create einen 2D -Tensor - Data2 mit 5 numerischen und logischen Werten in jeder Zeile
Data2 = Taschenlampe.Tensor ([[0,0,55,78,23], [Falsch, wahr, wahr, wahr, falsch]])
#Anzeige
print ("Erster Tensor:", Data1)
print ("Zweiter Tensor:", Data2)
#Logical_or auf Data1 und Data2
print ("logisch oder über zwei Tensoren:", Taschenlampe.logical_or (Data1, data2))

Ausgang:

Erster Tensor: Tensor ([[23, 45, 67, 0, 0],
[0, 1, 1, 1, 0]])
Zweiter Tensor: Tensor ([[0, 0, 55, 78, 23],
[0, 1, 1, 1, 0]])
Logisch oder über zwei Tensoren: Tensor ([[wahr, wahr, wahr, wahr, wahr],
[Falsch, wahr, wahr, wahr, falsch]]))

Arbeiten:

  1. logical_or (23, 0) - true, logical_or (0,0) - Falsch
  2. logical_or (45, 0) - true, logical_or (1, 1) - True
  3. logical_or (67, 55) - true, logical_or (1, 1) - true
  4. logical_or (0, 78) - true, logical_or (1, 1) - true
  5. logical_or (0, 23) - true, logical_or (0, 0) - Falsch

Abschluss

In dieser Pytorch -Lektion diskutierten wir, wie man logisch oder operativ mit einer Taschenlampe durchführt.logical_or () Methode. Es wird einen Elementvergleich durchführen und wahr zurückkehren. Beide Elemente sind wahr oder größer als 0 und geben falsch zurück, wenn beide Elemente falsch oder 0 sind. Wir haben die Funktionalität logischer und numerischer Daten gesehen.