PyTorch Tensor の torch.Tensor.tan_ メソッド：詳細解説とサンプルコード

PyTorch Tensor の torch.Tensor.tan_ メソッドの詳細解説

torch.Tensor.tan_ は、PyTorch Tensor において、**タンジェント関数（正弦関数を余弦関数で割った値）**を要素ごとに計算するメソッドです。入力 Tensor は任意の浮動小数点型または複素数型であることができますが、出力 Tensor は常に浮動小数点型となります。

使用方法

torch.Tensor.tan_(input)

• input: 処理対象の Tensor

戻り値

• 処理済みの Tensor

詳細

• tan_ メソッドは、入力 Tensor を inplace で操作します。つまり、メソッド呼び出し後、入力 Tensor 自体が更新されます。新しい Tensor を作成したい場合は、torch.tan() 関数を使用してください。
• tan_ メソッドは、勾配計算をサポートしています。勾配は、入力 Tensor と出力 Tensor の要素ごとに計算されます。
• PyTorch バージョン 1.10 以降では、torch.tan_ メソッドは out 引数を受け入れるようになりました。この引数を使用して、計算結果を既存の Tensor に格納することができます。

例

import torch

x = torch.tensor([1.0, 2.0, 3.0])
y = x.tan_()
print(y)  # tensor([1.5574077, 2.1826294, 3.6239796])

z = torch.tensor([0.0, 1.5707963, 3.1415927])
out = torch.empty(3)
z.tan_(out=out)
print(out)  # tensor([0., 1., 1.])

補足

• torch.tan_ メソッドは、CPU と GPU の両方で効率的に実行できます。

• この説明が分かりやすく、有益だったことを願っています。

いろいろなサンプルコード

import torch

# 加算
x = torch.tensor(5)
y = torch.tensor(3)
z = x + y
print(z)  # tensor(8)

# 減算
x = torch.tensor(5)
y = torch.tensor(3)
z = x - y
print(z)  # tensor(2)

# 乗算
x = torch.tensor(5)
y = torch.tensor(3)
z = x * y
print(z)  # tensor(15)

# 除算
x = torch.tensor(5)
y = torch.tensor(3)
z = x / y
print(z)  # tensor(1.6666)

# べき乗
x = torch.tensor(5)
y = torch.tensor(2)
z = x ** y
print(z)  # tensor(25)

テンソル操作

import torch

# テンソルの作成
x = torch.tensor([1, 2, 3])
print(x)  # tensor([1, 2, 3])

# テンソルのサイズを取得
print(x.size())  # torch.Size([3])

# テンソルの要素にアクセス
print(x[0])  # tensor(1)
print(x[1])  # tensor(2)
print(x[2])  # tensor(3)

# テンソルの形状を変更
y = x.view(3, 1)
print(y)  # tensor([[1],
#                   [2],
#                   [3]])

# テンソルを結合
z = torch.cat([x, x], 0)
print(z)  # tensor([1, 2, 3, 1, 2, 3])

関数

import torch

# シグモイド関数
x = torch.tensor([-1, 0, 1])
y = torch.sigmoid(x)
print(y)  # tensor([0.18268954, 0.5, 0.818278])

# ReLU 関数
x = torch.tensor([-1, 0, 1])
y = torch.relu(x)
print(y)  # tensor([0., 0., 1.])

# ソフトマックス関数
x = torch.tensor([1, 2, 3])
y = torch.softmax(x, dim=0)
print(y)  # tensor([0.04517391, 0.11752417, 0.83728192])

データセット

import torch
import torchvision

# MNIST データセットの読み込み
dataset = torchvision.datasets.MNIST(root='./data', train=True, download=True)

# データローダーの作成
dataloader = torch.utils.data.DataLoader(dataset, batch_size=64, shuffle=True)

# データの取得
for images, labels in dataloader:
    print(images.shape)  # torch.Size([64, 1, 28, 28])
    print(labels.shape)  # torch.Size([64])

モデル

import torch
import torch.nn as nn

# 線形回帰モデル
class LinearRegression(nn.Module):
    def __init__(self, input_dim, output_dim):
        super().__init__()
        self.linear = nn.Linear(input_dim, output_dim)

    def forward(self, x):
        return self.linear(x)

# モデルの作成
model = LinearRegression(28 * 28, 10)

# 損失関数の定義
criterion = nn.CrossEntropyLoss()

# 最適化アルゴリズムの定義
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

# トレーニング
for epoch in range(10):
    for images, labels in dataloader:
        # 予測値の計算
        outputs = model(images.view(-1, 28 * 28))

        # 損失の計算
        loss = criterion(outputs, labels)

        # 

PyTorch Tensor の torch.Tensor.tan_ メソッドのその他の使い方

PyTorch バージョン 1.10 以降では、torch.Tensor.tan_ メソッドは out 引数を受け入れるようになりました。この引数を使用して、計算結果を既存の Tensor に格納することができます。

import torch

x = torch.tensor([1.0, 2.0, 3.0])
out = torch.empty(3)
x.tan_(out=out)
print(out)  # tensor([1.5574077, 2.1826294, 3.6239796])

inplace 操作の回避

torch.Tensor.tan_ メソッドは inplace 操作を行うため、入力 Tensor が変更されてしまいます。inplace 操作を回避したい場合は、torch.tan() 関数を使用して新しい Tensor を作成することができます。

import torch

x = torch.tensor([1.0, 2.0, 3.0])
y = torch.tan(x)
print(y)  # tensor([1.5574077, 2.1826294, 3.6239796])
print(x)  # tensor([1., 2., 3.])  # 入力 Tensor は変更されていない

broadcasting

PyTorch Tensor は broadcasting に対応しているため、異なるサイズの Tensor 間で torch.Tensor.tan_ メソッドを適用することができます。

import torch

x = torch.tensor([1.0, 2.0, 3.0])
y = torch.tensor(2.0)
z = x.tan_() * y
print(z)  # tensor([3.1148154, 4.365259, 7.2479582])

grad

torch.Tensor.tan_ メソッドは勾配計算をサポートしています。勾配は、backward() メソッドを使用して計算することができます。

import torch

x = torch.tensor([1.0, 2.0, 3.0], requires_grad=True)
y = x.tan_()
y.sum().backward()
print(x.grad)  # tensor([0.54930352, 1.09860714, 1.64974121])

torch.jit

torch.Tensor.tan_ メソッドは torch.jit でトレースすることができます。

import torch
import torch.jit

x = torch.tensor([1.0, 2.0, 3.0])
scripted_tan = torch.jit.script(torch.Tensor.tan_)
y = scripted_tan(x)
print(y)  # tensor([1.5574077, 2.1826294, 3.6239796])