torch.pow

torch.pow(input, exponent, *, out=None) → Tensor

将input中的每个元素提升到exponent次幂，并返回包含结果的张量。

exponent 可以是一个单独的 float 数字，或者与 input 具有相同元素数量的 Tensor。

当exponent是一个标量值时，执行的操作为：

$\text{out}_i = x_i ^ \text{exponent}$

当 exponent 是一个张量时，进行的操作为：

$\text{out}_i = x_i ^ {\text{exponent}_i}$

当 exponent 是一个张量时，input 和 exponent 的形状必须满足广播兼容性规则。

参数

• input (Tensor) – 需要输入的张量。

• exponent (float 或 tensor) – 指数的值

关键字参数

out (Tensor, 可选) – 指定输出张量。

示例：

>>> a = torch.randn(4)
>>> a
tensor([ 0.4331,  1.2475,  0.6834, -0.2791])
>>> torch.pow(a, 2)
tensor([ 0.1875,  1.5561,  0.4670,  0.0779])
>>> exp = torch.arange(1., 5.)

>>> a = torch.arange(1., 5.)
>>> a
tensor([ 1.,  2.,  3.,  4.])
>>> exp
tensor([ 1.,  2.,  3.,  4.])
>>> torch.pow(a, exp)
tensor([   1.,    4.,   27.,  256.])

torch.pow(self, exponent, *, out=None) → Tensor

self 是一个标量 float 值，而 exponent 是一个张量。返回的张量 out 与 exponent 具有相同的形状。

执行的操作是：

$\text{out}_i = \text{self} ^ {\text{exponent}_i}$

参数

• self (float) – 幂运算的基础标量值

• exponent (Tensor) – 张量的指数

关键字参数

out (Tensor, 可选) – 指定输出张量。

示例：

>>> exp = torch.arange(1., 5.)
>>> base = 2
>>> torch.pow(base, exp)
tensor([  2.,   4.,   8.,  16.])