¿Cómo cambiar la escala de un tensor en el rango [0, 1] y sumar a 1 en PyTorch?

En este artículo, vamos a discutir cómo cambiar la escala de un tensor en el rango [0, 1] y sumar a 1 en PyTorch usando Python .

Método softmax()

El método Softmax() nos ayuda a reescalar un tensor de n-dimensional a lo largo de una dimensión particular, los elementos de este tensor de entrada están entre el rango de [0,1] y la suma a 1. Este método devuelve un tensor de la misma forma y dimensión que el tensor de entrada y los valores se encuentran dentro del rango [0, 1]. antes de continuar, veamos la sintaxis del método dado.

Sintaxis: torch.nn.Softmax(dim)

Parámetros:

• dim: El dim es la dimensión en la que calculamos el Softmax.

Devoluciones: devolverá un tensor con la misma forma y dimensión que el tensor de entrada y los valores están entre el rango [0, 1].

Ejemplo 1: En este ejemplo, cambiamos la escala de un tensor 1D en el rango [0, 1] y sumamos 1.

# import required libraries
import torch
  
# define a tensor
input_tens = torch.tensor([0.1237, 1.8373, 
                           -0.2343, -1.8373,
                           0.2343])
  
print(" input tensor: ", input_tens)
  
# Define the Softmax function
softmax = torch.nn.Softmax(dim=0)
  
# Apply above defined Softmax function
# on input tensor
output = softmax(input_tens)
  
# display tensor that containing Softmax values
print(" tensor that containing Softmax values: ", 
      output)
  
# display sum
print(" sum  = ", output.sum())

Producción:

 

Ejemplo 2: En este ejemplo, cambiamos la escala de un tensor 2D en el rango [0, 1] y sumamos 1.

# import required libraries
import torch
  
# define a tensor
input_tens = torch.tensor([[-0.9383, -1.4378, 0.5247],
                           [0.8787,  0.2248, -1.3348],
                           [1.3739,  1.3379, -0.2445]])
  
print("\n input tensor: \n", input_tens)
  
# Define the Softmax function
softmax = torch.nn.Softmax(dim=0)
  
# Apply above defined Softmax function on 
# input tensor
output = softmax(input_tens)
  
# display tensor that containing Softmax values
print("\n tensor that containing Softmax values: \n", output)
  
# display sum
print("\n sum  = ", output.sum())

Producción: