torch.Tensor

译者：hijkzzz

torch.Tensor 是一种包含单一数据类型元素的多维矩阵.

Torch定义了八种CPU张量类型和八种GPU张量类型：

Data type	dtype	CPU tensor	GPU tensor
32-bit floating point	torch.float32 or torch.float	torch.FloatTensor	torch.cuda.FloatTensor
64-bit floating point	torch.float64 or torch.double	torch.DoubleTensor	torch.cuda.DoubleTensor
16-bit floating point	torch.float16 or torch.half	torch.HalfTensor	torch.cuda.HalfTensor
8-bit integer (unsigned)	torch.uint8	torch.ByteTensor	torch.cuda.ByteTensor
8-bit integer (signed)	torch.int8	torch.CharTensor	torch.cuda.CharTensor
16-bit integer (signed)	torch.int16 or torch.short	torch.ShortTensor	torch.cuda.ShortTensor
32-bit integer (signed)	torch.int32 or torch.int	torch.IntTensor	torch.cuda.IntTensor
64-bit integer (signed)	torch.int64 or torch.long	torch.LongTensor	torch.cuda.LongTensor

torch.Tensor 是默认的tensor类型 (torch.FloatTensor) 的简称.

Tensor 可以用torch.tensor()转换Python的 list 或序列​​生成：

>>> torch.tensor([[1., -1.], [1., -1.]])
tensor([[ 1.0000, -1.0000],
 [ 1.0000, -1.0000]])
>>> torch.tensor(np.array([[1, 2, 3], [4, 5, 6]]))
tensor([[ 1,  2,  3],
 [ 4,  5,  6]])

警告

torch.tensor() 总是拷贝 data. 如果你有一个 Tensor data 并且仅仅想改变它的 requires_grad 属性, 可用 requires_grad_() or detach() 来避免拷贝. 如果你有一个 numpy 数组并且想避免拷贝, 请使用 torch.as_tensor().

指定数据类型的Tensor可以通过传递参数 torch.dtype 和/或者 torch.device 到构造函数生成：

>>> torch.zeros([2, 4], dtype=torch.int32)
tensor([[ 0,  0,  0,  0],
 [ 0,  0,  0,  0]], dtype=torch.int32)
>>> cuda0 = torch.device('cuda:0')
>>> torch.ones([2, 4], dtype=torch.float64, device=cuda0)
tensor([[ 1.0000,  1.0000,  1.0000,  1.0000],
 [ 1.0000,  1.0000,  1.0000,  1.0000]], dtype=torch.float64, device='cuda:0')

Tensor的内容可以通过Python索引或者切片访问以及修改：

>>> x = torch.tensor([[1, 2, 3], [4, 5, 6]])
>>> print(x[1][2])
tensor(6)
>>> x[0][1] = 8
>>> print(x)
tensor([[ 1,  8,  3],
 [ 4,  5,  6]])

使用 torch.Tensor.item() 从只有一个值的Tensor中获取Python Number：

>>> x = torch.tensor([[1]])
>>> x
tensor([[ 1]])
>>> x.item()
1
>>> x = torch.tensor(2.5)
>>> x
tensor(2.5000)
>>> x.item()
2.5

Tensor可以通过参数 requires_grad=True 创建, 这样 torch.autograd 会记录相关的运算实现自动求导.

>>> x = torch.tensor([[1., -1.], [1., 1.]], requires_grad=True)
>>> out = x.pow(2).sum()
>>> out.backward()
>>> x.grad
tensor([[ 2.0000, -2.0000],
 [ 2.0000,  2.0000]])

每一个tensor都有一个相应的 torch.Storage 保存其数据. tensor 类提供了一个多维的、strided视图, 并定义了数值操作.

注意

更多关于 torch.dtype, torch.device, 和 torch.layout 等 torch.Tensor的属性, 见 Tensor Attributes.

注意

注意：修改tensor的方法可以用一个下划线后缀来标示.比如, torch.FloatTensor.abs_() 会在原地计算绝对值并返回修改的张量, 而 torch.FloatTensor.abs() 将会在新张量中计算结果.

注意

为了改变已有的 tensor 的 torch.device 和/或者 torch.dtype, 考虑使用 to() 方法.

class torch.Tensor

这里有少数几种生成Tensor的方法, 取决于你的实际情况.

• 从已经存在的数据生成, 用 torch.tensor().
• 生成特殊尺寸的Tensor, 用 torch.* creation ops (见 Creation Ops).
• 生成与其它Tensor尺寸相同的Tensor (并且数据类型相同), 用 torch.*_like creation ops (见 Creation Ops).
• 生成与其它Tesor数据类型相同但是尺寸不同的Tensor, 用 tensor.new_* creation ops.

new_tensor(data, dtype=None, device=None, requires_grad=False) → Tensor

返回一个新的Tensor用 data 作为tensor data.默认情况下, 返回的Tensor有相同的 torch.dtype 和 torch.device .

警告

new_tensor() 总是拷贝 data. 如果 你有一个 Tensor data 并且想避免拷贝, 使用 torch.Tensor.requires_grad_() 或者 torch.Tensor.detach(). 如果你有一个 numpy 数组并且想避免拷贝, 使用 torch.from_numpy().

警告

当 data 是一个 tensor x, new_tensor() 读取 x 的 'data' 并且创建一个叶子变量. 因此 tensor.new_tensor(x) 等价于 x.clone().detach() 并且 tensor.new_tensor(x, requires_grad=True) 等价于 x.clone().detach().requires_grad_(True). 推荐使用 clone() 和 detach().

参数:

• data (array_like) – 返回的 Tensor 拷贝 data.
• dtype (torch.dtype, 可选) – 期望返回的Tensor的数据类型. 默认值: 如果是 None, 等于 torch.dtype.
• device (torch.device, 可选) – 期望返回的Tesor所在设备. 默认值: 如果是 None, 等于 torch.device.
• requires_grad (bool, 可选) – 是否为自动求导记录相关的运算. 默认值: False.

例子:

>>> tensor = torch.ones((2,), dtype=torch.int8)
>>> data = [[0, 1], [2, 3]]
>>> tensor.new_tensor(data)
tensor([[ 0,  1],
 [ 2,  3]], dtype=torch.int8)

new_full(size, fill_value, dtype=None, device=None, requires_grad=False) → Tensor

返回一个Tesnor的尺寸等于 size 用 fill_value填充. 默认情况下, 返回的 Tensor 具有与此Tensor相同的 torch.dtype 和 torch.device.

参数:

• fill_value (scalar) – 用于填充的数值.
• dtype (torch.dtype, 可选) – 期望返回的Tensor的数据类型. 默认值: 如果是 None, 等于 torch.dtype.
• device (torch.device, 可选) – 期望返回的Tesor所在设备. 默认值: 如果是 None, 等于 torch.device.
• requires_grad (bool, 可选) – 是否为自动求导记录相关的运算. 默认值: False.

例子:

>>> tensor = torch.ones((2,), dtype=torch.float64)
>>> tensor.new_full((3, 4), 3.141592)
tensor([[ 3.1416,  3.1416,  3.1416,  3.1416],
 [ 3.1416,  3.1416,  3.1416,  3.1416],
 [ 3.1416,  3.1416,  3.1416,  3.1416]], dtype=torch.float64)

new_empty(size, dtype=None, device=None, requires_grad=False) → Tensor

返回一个Tesnor的尺寸等于 size 用 未初始化的值填充. 默认情况下, 返回的 Tensor 具有与此Tensor相同的 torch.dtype 和 torch.device.

Parameters:

• dtype (torch.dtype, 可选) – 期望返回的Tensor的数据类型. 默认值: 如果是 None, 等于 torch.dtype.
• device (torch.device, 可选) – 期望返回的Tesor所在设备. 默认值: 如果是 None, 等于 torch.device.
• requires_grad (bool, 可选) – 是否为自动求导记录相关的运算. 默认值: False.

Example:

>>> tensor = torch.ones(())
>>> tensor.new_empty((2, 3))
tensor([[ 5.8182e-18,  4.5765e-41, -1.0545e+30],
 [ 3.0949e-41,  4.4842e-44,  0.0000e+00]])

new_ones(size, dtype=None, device=None, requires_grad=False) → Tensor

返回一个Tesnor的尺寸等于 size 用 1填充. 默认情况下, 返回的 Tensor 具有与此Tensor相同的 torch.dtype 和 torch.device.

Parameters:

• size (int...) – list, tuple, 或者 torch.Size 定义了输出Tensor的形状.
• dtype (torch.dtype, 可选) – 期望返回的Tensor的数据类型. 默认值: 如果是 None, 等于 torch.dtype.
• device (torch.device, 可选) – 期望返回的Tesor所在设备. 默认值: 如果是 None, 等于 torch.device.
• requires_grad (bool, 可选) – 是否为自动求导记录相关的运算. 默认值: False.

例子:

>>> tensor = torch.tensor((), dtype=torch.int32)
>>> tensor.new_ones((2, 3))
tensor([[ 1,  1,  1],
 [ 1,  1,  1]], dtype=torch.int32)

new_zeros(size, dtype=None, device=None, requires_grad=False) → Tensor

返回一个Tesnor的尺寸等于 size 用 0填充. 默认情况下, 返回的 Tensor 具有与此Tensor相同的 torch.dtype 和 torch.device.

参数:

• size (int...) – list, tuple, 或者 torch.Size 定义了输出Tensor的形状.
• dtype (torch.dtype, 可选) – 期望返回的Tensor的数据类型. 默认值: 如果是 None, 等于 torch.dtype.
• device (torch.device, 可选) – 期望返回的Tesor所在设备. 默认值: 如果是 None, 等于 torch.device.
• requires_grad (bool, 可选) – 是否为自动求导记录相关的运算. 默认值: False.

例子:

>>> tensor = torch.tensor((), dtype=torch.float64)
>>> tensor.new_zeros((2, 3))
tensor([[ 0.,  0.,  0.],
 [ 0.,  0.,  0.]], dtype=torch.float64)

is_cuda

True 如果 Tensor 在 GPU 上, 否则 False.

device

torch.device Tensor 所在的设备.

abs() → Tensor

见 torch.abs()

abs_() → Tensor

原地版本的 abs()

acos() → Tensor

见 torch.acos()

acos_() → Tensor

原地版本的 acos()

add(value) → Tensor

add(value=1, other) -> Tensor

见 torch.add()

add_(value) → Tensor

add_(value=1, other) -> Tensor

原地版本的 add()

addbmm(beta=1, mat, alpha=1, batch1, batch2) → Tensor

见 torch.addbmm()

addbmm_(beta=1, mat, alpha=1, batch1, batch2) → Tensor

原地版本的 addbmm()

addcdiv(value=1, tensor1, tensor2) → Tensor

见 torch.addcdiv()

addcdiv_(value=1, tensor1, tensor2) → Tensor

原地版本的 addcdiv()

addcmul(value=1, tensor1, tensor2) → Tensor

见 torch.addcmul()

addcmul_(value=1, tensor1, tensor2) → Tensor

原地版本的 addcmul()

addmm(beta=1, mat, alpha=1, mat1, mat2) → Tensor

见 torch.addmm()

addmm_(beta=1, mat, alpha=1, mat1, mat2) → Tensor

原地版本的 addmm()

addmv(beta=1, tensor, alpha=1, mat, vec) → Tensor

见 torch.addmv()

addmv_(beta=1, tensor, alpha=1, mat, vec) → Tensor

原地版本的 addmv()

addr(beta=1, alpha=1, vec1, vec2) → Tensor

见 torch.addr()

addr_(beta=1, alpha=1, vec1, vec2) → Tensor

原地版本的 addr()

allclose(other, rtol=1e-05, atol=1e-08, equal_nan=False) → Tensor

见 torch.allclose()

apply_(callable) → Tensor

应用函数 callable 到Tensor中的每一个元素, 用 callable的返回值替换每一个元素.

注意

这个函数仅仅能在CPU上工作, 并且不要用于需要高性能的代码区域.

argmax(dim=None, keepdim=False)

见 torch.argmax()

argmin(dim=None, keepdim=False)

见 torch.argmin()

asin() → Tensor

见 torch.asin()

asin_() → Tensor

原地版本的 asin()

atan() → Tensor

见 torch.atan()

atan2(other) → Tensor

见 torch.atan2()

atan2_(other) → Tensor

原地版本的 atan2()

atan_() → Tensor

原地版本的 atan()

baddbmm(beta=1, alpha=1, batch1, batch2) → Tensor

见 torch.baddbmm()

baddbmm_(beta=1, alpha=1, batch1, batch2) → Tensor

原地版本的 baddbmm()

bernoulli(*, generator=None) → Tensor

返回一个Tensor, 每一个 都是独立采样于 . self 必须是浮点型 dtype, 并且返回值有相同的 dtype.

见 torch.bernoulli()

bernoulli_()

bernoulli_(p=0.5, *, generator=None) → Tensor

从 独立采样填充 self 的每一个位置.self 可以是整型 dtype.

bernoulli_(p_tensor, *, generator=None) → Tensor

p_tensor 必须是一个包含概率的 Tensor 用于取得二元随机数.

self tensor 的 元素将会被设置为采样于 的值.

self 可以有整型 dtype, 但是 :attrp_tensor 必须有浮点型 dtype.

可参考 bernoulli() and torch.bernoulli()

bmm(batch2) → Tensor

见 torch.bmm()

byte() → Tensor

self.byte() is equivalent to self.to(torch.uint8). See to().

btrifact(info=None, pivot=True)

见 torch.btrifact()

btrifact_with_info(pivot=True) -> (Tensor, Tensor, Tensor)

见 torch.btrifact_with_info()

btrisolve(LU_data, LU_pivots) → Tensor

见 torch.btrisolve()

cauchy_(median=0, sigma=1, *, generator=None) → Tensor

用取自 Cauchy 分布得值填充Tensor:

ceil() → Tensor

见 torch.ceil()

ceil_() → Tensor

原地版本的 ceil()

char() → Tensor

self.char() 等价于 self.to(torch.int8). 见 to().

cholesky(upper=False) → Tensor

见 torch.cholesky()

chunk(chunks, dim=0) → List of Tensors

见 torch.chunk()

clamp(min, max) → Tensor

见 torch.clamp()

clamp_(min, max) → Tensor

原地版本的 clamp()

clone() → Tensor

返回一份拷贝的 self tensor. 这份拷贝有 self 相同的数据和类型.

注意

与copy_()不同, 此函数会被记录在计算图中. 传给克隆tensor的梯度将传播到原始tensor.

contiguous() → Tensor

返回一个连续的得Tensor, 其data与 self 相同. 如果 self tensor 是连续的, 此函数返回 self tensor 自身.

copy_(src, non_blocking=False) → Tensor

从 src 拷贝元素到 self tensor 然后返回 self.

src tensor 必须与 self tensor 是 broadcastable. 但数据类型可以不同, 所在的设备也可以不同.

参数:

• src (Tensor) – 源 tensor
• non_blocking (bool) – 如果是 True 并且这次复制在 CPU 和 GPU 之间进行, 这次复制将会是异步的. 其他情况则没有影响.

cos() → Tensor

见 torch.cos()

cos_() → Tensor

原地版本的 cos()

cosh() → Tensor

见 torch.cosh()

cosh_() → Tensor

原地版本的 cosh()

cpu() → Tensor

返回一个拷贝对象于 CPU 内存中.

如果这个对象已经在 CPU 内存中, 并且在者正确的设备上, 那么将会返回其本身.

cross(other, dim=-1) → Tensor

见 torch.cross()

cuda(device=None, non_blocking=False) → Tensor

返回一个拷贝对象于 CUDA 内存中.

如果这个对象已经在 CUDA 内存中, 并且在者正确的设备上, 那么将会返回其本身.

参数:

• device (torch.device) –目标GPU设备. 默认值是当前GPU.
• non_blocking (bool) – 如果是 True 并且源在pinned memory中, 这次拷贝将是异步的.否则此参数没有影响. 默认值: False.

cumprod(dim, dtype=None) → Tensor

见 torch.cumprod()

cumsum(dim, dtype=None) → Tensor

见 torch.cumsum()

data_ptr() → int

返回 self tensor 的第一个元素的指针.

det() → Tensor

见 torch.det()

diag(diagonal=0) → Tensor

见 torch.diag()

diag_embed(offset=0, dim1=-2, dim2=-1) → Tensor

见 torch.diag_embed()

dim() → int

返回 self tensor 的维度.

dist(other, p=2) → Tensor

见 torch.dist()

div(value) → Tensor

见 torch.div()

div_(value) → Tensor

原地版本的 div()

dot(tensor2) → Tensor

见 torch.dot()

double() → Tensor

self.double() 等价于 self.to(torch.float64). 见 to().

eig(eigenvectors=False) -> (Tensor, Tensor)

见 torch.eig()

element_size() → int

返回每个元素占用的字节数

Example:

>>> torch.tensor([]).element_size()
4
>>> torch.tensor([], dtype=torch.uint8).element_size()
1

eq(other) → Tensor

见 torch.eq()

eq_(other) → Tensor

原地版本的 eq()

equal(other) → bool

见 torch.equal()

erf() → Tensor

见 torch.erf()

erf_() → Tensor

原地版本的 erf()

erfc() → Tensor

见 torch.erfc()

erfc_() → Tensor

原地版本的 erfc()

erfinv() → Tensor

见 torch.erfinv()

erfinv_() → Tensor

原地版本的 erfinv()

exp() → Tensor

见 torch.exp()

exp_() → Tensor

原地版本的 exp()

expm1() → Tensor

见 torch.expm1()

expm1_() → Tensor

原地版本的 expm1()

expand(*sizes) → Tensor

返回一个新的 self tensor 的视图, 其中单一维度扩展到更大的尺寸.

传递-1意味着不改变该维度的大小.

tensor 也可以扩展到更大的维度, 新的维度将会附加在前面.对于新维度, 其大小不能设置为- 1.

扩展张量不会分配新的内存, 但只会在现有张量上创建一个新的视图, 其中通过将stride设置为0, 第一个尺寸的维度会扩展到更大的尺寸.大小为1的任何维度都可以扩展到任意值, 而无需分配新内存.

参数:	*sizes (torch.Size or int...) – 期望扩展的尺寸

例子:

>>> x = torch.tensor([[1], [2], [3]])
>>> x.size()
torch.Size([3, 1])
>>> x.expand(3, 4)
tensor([[ 1,  1,  1,  1],
 [ 2,  2,  2,  2],
 [ 3,  3,  3,  3]])
>>> x.expand(-1, 4)   # -1 意味着不会改变该维度
tensor([[ 1,  1,  1,  1],
 [ 2,  2,  2,  2],
 [ 3,  3,  3,  3]])

expand_as(other) → Tensor

扩展这个 tensor 使得其尺寸和 other 相同. self.expand_as(other) 等价于 self.expand(other.size()).

请看 expand() 获得更多关于 expand 的信息.

参数:	other (torch.Tensor) – 返回的 tensor 的尺寸和 other. 相同

exponential_(lambd=1, *, generator=None) → Tensor

用取自 exponential 分布 的元素填充 self tensor :

fill_(value) → Tensor

用指定的值填充 self.

flatten(input, start_dim=0, end_dim=-1) → Tensor

见 torch.flatten()

flip(dims) → Tensor

见 torch.flip()

float() → Tensor

self.float() 等价于 self.to(torch.float32). See to().

floor() → Tensor

见 torch.floor()

floor_() → Tensor

原地版本的 floor()

fmod(divisor) → Tensor

见 torch.fmod()

fmod_(divisor) → Tensor

原地版本的 fmod()

frac() → Tensor

见 torch.frac()

frac_() → Tensor

原地版本的 frac()

gather(dim, index) → Tensor

见 torch.gather()

ge(other) → Tensor

见 torch.ge()

ge_(other) → Tensor

原地版本的 ge()

gels(A) → Tensor

见 torch.gels()

geometric_(p, *, generator=None) → Tensor

用取自geometric 分布的值填充 self :

geqrf() -> (Tensor, Tensor)

见 torch.geqrf()

ger(vec2) → Tensor

见 torch.ger()

gesv(A) → Tensor, Tensor

见 torch.gesv()

get_device() -> Device ordinal (Integer)

对于 CUDA tensors, 这个函数返回一个 GPU 序号, 对应 tensor 所在的设备. 对于 CPU tensors, 抛出一个错误.

Example:

>>> x = torch.randn(3, 4, 5, device='cuda:0')
>>> x.get_device()
0
>>> x.cpu().get_device()  # 运行时错误: get_device 没有在 torch.FloatTensor 上实现

gt(other) → Tensor

见 torch.gt()

gt_(other) → Tensor

原地版本的 gt()

half() → Tensor

self.half() 等价于 self.to(torch.float16). 见 to().

histc(bins=100, min=0, max=0) → Tensor

见 torch.histc()

index_add_(dim, index, tensor) → Tensor

根据参数index 中的索引的顺序, 累加 tensor 中的元素到 self tensor, 例如, 如果 dim == 0 并且 index[i] == j, 则第 i 行 tensor 会被加到第 j行.

tensor 第 dim 维度 必须和 index(必须是一个向量) 的长度相同, 并且其它维度必须和 self 匹配, 否则将会抛出一个错误.

注意

当使用 CUDA 作为后端, 这个操作可能导致不确定性行为, 且不容易关闭. 请看 Reproducibility.

Parameters:

• dim (int) – 要索引的维度
• index (LongTensor) – 从 tensor 中选择的索引
• tensor (Tensor) – 用于相加的tensor

例子:

>>> x = torch.ones(5, 3)
>>> t = torch.tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9]], dtype=torch.float)
>>> index = torch.tensor([0, 4, 2])
>>> x.index_add_(0, index, t)
tensor([[  2.,   3.,   4.],
 [  1.,   1.,   1.],
 [  8.,   9.,  10.],
 [  1.,   1.,   1.],
 [  5.,   6.,   7.]])

index_copy_(dim, index, tensor) → Tensor

根据参数index 中的选择的索引, 复制 tensor 中的元素到 self tensor, 例如, 如果 dim == 0 并且 index[i] == j, 则第 i 行 tensor 会被加到第 j行.

tensor 第 dim 维度 必须和 index(必须是一个向量) 的长度相同, 并且其它维度必须和 self 匹配, 否则将会抛出一个错误.

Parameters:

• dim (int) – 要索引的维度
• index (LongTensor) – 从 tensor 中选择的索引
• tensor (Tensor) – 用于复制的tensor

例子:

>>> x = torch.zeros(5, 3)
>>> t = torch.tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9]], dtype=torch.float)
>>> index = torch.tensor([0, 4, 2])
>>> x.index_copy_(0, index, t)
tensor([[ 1.,  2.,  3.],
 [ 0.,  0.,  0.],
 [ 7.,  8.,  9.],
 [ 0.,  0.,  0.],
 [ 4.,  5.,  6.]])

index_fill_(dim, index, val) → Tensor

根据 index 中指定的顺序索引, 用值 val填充 self tensor 中的元素.

参数:

• dim (int) – 指定索引对应的维度
• index (LongTensor) – self tensor 中将被填充的索引值
• val (float) – 用于填充的值

例子:

>>> x = torch.tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9]], dtype=torch.float)
>>> index = torch.tensor([0, 2])
>>> x.index_fill_(1, index, -1)
tensor([[-1.,  2., -1.],
 [-1.,  5., -1.],
 [-1.,  8., -1.]])

index_put_(indices, value, accumulate=False) → Tensor

根据 indices (是一个 Tensors 的tuple)中指定的索引, 取出 tensor value 中的值放入 tensor self . 表达式 tensor.index_put_(indices, value) 等价于 tensor[indices] = value. 返回 self.

如果 accumulate 等于 True, tensor 中的元素会被加到 self. 如果是 False, 且 indices 中含有重复的元素, 则行为是未定义的.

参数:

• indices (tuple of LongTensor) – tensors 用于索引 self.
• value (Tensor) – 与 self 有相同数据类型的 tensor.
• accumulate (bool) – 是否累加到自身

index_select(dim, index) → Tensor

见 torch.index_select()

int() → Tensor

self.int() is equivalent to self.to(torch.int32). See to().

inverse() → Tensor

见 torch.inverse()

is_contiguous() → bool

返回 True 如果 self tensor 在内存中是连续存储的.

is_pinned()

返回 true 如果 tensor 储存在pinned memory

is_set_to(tensor) → bool

返回 True 如果此对象在 Torch C API 中引用的 THTensor 对象和给定 tensor 是相同的.

is_signed()

item() → number

返回 tensor 中的值作为一个标准的 Python number. 仅在只有一个元素的时候有效. 对于其他情况, 见 tolist().

这个操作是不可微分的.

例子:

>>> x = torch.tensor([1.0])
>>> x.item()
1.0

kthvalue(k, dim=None, keepdim=False) -> (Tensor, LongTensor)

见 torch.kthvalue()

le(other) → Tensor

见 torch.le()

le_(other) → Tensor

原地版本的 le()

lerp(start, end, weight) → Tensor

见 torch.lerp()

lerp_(start, end, weight) → Tensor

原地版本的 lerp()

log() → Tensor

见 torch.log()

log_() → Tensor

原地版本的 log()

logdet() → Tensor

见 torch.logdet()

log10() → Tensor

见 torch.log10()

log10_() → Tensor

原地版本的 log10()

log1p() → Tensor

见 torch.log1p()

log1p_() → Tensor

原地版本的 log1p()

log2() → Tensor

见 torch.log2()

log2_() → Tensor

原地版本的 log2()

log_normal_(mean=1, std=2, *, generator=None)

用 mean 和std 初始化的 log-normal 分布 中取出的值填充 self. 注意 mean 和 std 是下面的 normal 分布的平均值和标准差, 而不是返回的分布:

logsumexp(dim, keepdim=False) → Tensor

见 torch.logsumexp()

long() → Tensor

self.long() is equivalent to self.to(torch.int64). See to().

lt(other) → Tensor

见 torch.lt()

lt_(other) → Tensor

原地版本的 lt()

map_(tensor, callable)

对 self tensor 和 给定的 tensor 中的每一个元素应用 callable 然后把结果存于 self tensor. self tensor 和给定的 tensor 必须可广播 broadcastable.

callable 应该有下面的函数签名:

def callable(a, b) -> number

masked_scatter_(mask, source)

从 source 复制元素到 self tensor 当对应 mask 对应的值是 1. mask 的形状必须和底层 tensor 可广播 broadcastable. source 的元素数量至少和 mask里面的1一样多

Parameters:

• mask (ByteTensor) – 二值掩码
• source (Tensor) – 源 tensor

注意

mask 操作于 self tensor, 而不是给定的 source tensor.

masked_fill_(mask, value)

用value填充 self tensor 中的元素, 当对应位置的 mask 是1. mask 的形状必须和底层 tensor broadcastable.

参数:

• mask (ByteTensor) – 二值掩码
• value (float) – 用于填充的值

masked_select(mask) → Tensor

见 torch.masked_select()

matmul(tensor2) → Tensor

见 torch.matmul()

matrix_power(n) → Tensor

见 torch.matrix_power()

max(dim=None, keepdim=False) -> Tensor or (Tensor, Tensor)

见 torch.max()

mean(dim=None, keepdim=False) -> Tensor or (Tensor, Tensor)

见 torch.mean()

median(dim=None, keepdim=False) -> (Tensor, LongTensor)

见 torch.median()

min(dim=None, keepdim=False) -> Tensor or (Tensor, Tensor)

见 torch.min()

mm(mat2) → Tensor

见 torch.mm()

mode(dim=None, keepdim=False) -> (Tensor, LongTensor)

见 torch.mode()

mul(value) → Tensor

见 torch.mul()

mul_(value)

原地版本的 mul()

multinomial(num_samples, replacement=False, *, generator=None) → Tensor

见 torch.multinomial()

mv(vec) → Tensor

见 torch.mv()

mvlgamma(p) → Tensor

见 torch.mvlgamma()

mvlgamma_(p) → Tensor

原地版本的 mvlgamma()

narrow(dimension, start, length) → Tensor

见 torch.narrow()

Example:

>>> x = torch.tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
>>> x.narrow(0, 0, 2)
tensor([[ 1,  2,  3],
 [ 4,  5,  6]])
>>> x.narrow(1, 1, 2)
tensor([[ 2,  3],
 [ 5,  6],
 [ 8,  9]])

ndimension() → int

Alias for dim()

ne(other) → Tensor

见 torch.ne()

ne_(other) → Tensor

原地版本的 ne()

neg() → Tensor

见 torch.neg()

neg_() → Tensor

原地版本的 neg()

nelement() → int

别名 numel()

nonzero() → LongTensor

见 torch.nonzero()

norm(p='fro', dim=None, keepdim=False)

见 :func: torch.norm

normal_(mean=0, std=1, *, generator=None) → Tensor

用采样于 normal 分布的元素填充 self tensor, normal 分布使用参数 mean and std初始化.

numel() → int

见 torch.numel()

numpy() → numpy.ndarray

返回 self tensor 作为一个 NumPy ndarray. 此 tensor 和返回的 ndarray 共享同一个底层存储. 改变self tensor 将会同时改变 ndarray .

orgqr(input2) → Tensor

见 torch.orgqr()

ormqr(input2, input3, left=True, transpose=False) → Tensor

见 torch.ormqr()

permute(*dims) → Tensor

排列 tensor 的维度.

参数:	*dims (int...) – 维度的排列顺序

Example

>>> x = torch.randn(2, 3, 5)
>>> x.size()
torch.Size([2, 3, 5])
>>> x.permute(2, 0, 1).size()
torch.Size([5, 2, 3])

pin_memory()

pinverse() → Tensor

见 torch.pinverse()

potrf(upper=True)

见 torch.cholesky()

potri(upper=True) → Tensor

见 torch.potri()

potrs(input2, upper=True) → Tensor

见 torch.potrs()

pow(exponent) → Tensor

见 torch.pow()

pow_(exponent) → Tensor

原地版本的 pow()

prod(dim=None, keepdim=False, dtype=None) → Tensor

见 torch.prod()

pstrf(upper=True, tol=-1) -> (Tensor, IntTensor)

见 torch.pstrf()

put_(indices, tensor, accumulate=False) → Tensor

从 tensor 中复制元素到 indices 指定的位置. 对于目的索引, self tensor 被当作一个 1-D tensor.

如果 accumulate 是 True, tensor 中的元素被被加到 self. 如果 accumulate 是 False, 当 indices 中有重复索引时行为未定义.

Parameters:

• indices (LongTensor) – self 的索引位置
• tensor (Tensor) – 包含待复制元素的 tensor
• accumulate (bool) – 是否累加到 self

例子:

>>> src = torch.tensor([[4, 3, 5],
 [6, 7, 8]])
>>> src.put_(torch.tensor([1, 3]), torch.tensor([9, 10]))
tensor([[  4,   9,   5],
 [ 10,   7,   8]])

qr() -> (Tensor, Tensor)

见 torch.qr()

random_(from=0, to=None, *, generator=None) → Tensor

用离散均匀分布介于 [from, to - 1] 采样的数字填充 self tensor. 如果没有特别指定, 这些采样的数值被 self tensor's 数据类型界定. 然而, 对于浮点型, 如果没有特别指定, 范围将是 [0, 2^mantissa] 来确保每一个值是可表示的. 例如, torch.tensor(1, dtype=torch.double).random_() 将会被设为 [0, 2^53].

reciprocal() → Tensor

见 torch.reciprocal()

reciprocal_() → Tensor

原地版本的 reciprocal()

remainder(divisor) → Tensor

见 torch.remainder()

remainder_(divisor) → Tensor

原地版本的 remainder()

renorm(p, dim, maxnorm) → Tensor

见 torch.renorm()

renorm_(p, dim, maxnorm) → Tensor

原地版本的 renorm()

repeat(*sizes) → Tensor

在指定的维度重复这个 tensor.

不像 expand(), 这个函数会拷贝底层数据.

警告

torch.repeat() 的行为和 numpy.repeat 不一样, 更类似于 numpy.tile.

参数:	sizes (torch.Size or int...) – 每个维度重复的次数

例子:

>>> x = torch.tensor([1, 2, 3])
>>> x.repeat(4, 2)
tensor([[ 1,  2,  3,  1,  2,  3],
 [ 1,  2,  3,  1,  2,  3],
 [ 1,  2,  3,  1,  2,  3],
 [ 1,  2,  3,  1,  2,  3]])
>>> x.repeat(4, 2, 1).size()
torch.Size([4, 2, 3])

requires_grad_(requires_grad=True) → Tensor

设置是否应该自动求导: 原地设置这个 tensor 的 requires_grad 属性.返回这个 tensor.

require_grad_() 的主要使用情况是告诉自动求导开始记录Tensor tensor上的操作. 如果 tensor 的 requires_grad=False (因为它是通过 DataLoader 获得或者需要预处理或初始化), tensor.requires_grad_() 将会使得自动求导开始生效.

参数:	requires_grad (bool) – 是否自动求导应该记录相关操作. Default: True.

例子:

>>> # Let's say we want to preprocess some saved weights and use
>>> # the result as new weights.
>>> saved_weights = [0.1, 0.2, 0.3, 0.25]
>>> loaded_weights = torch.tensor(saved_weights)
>>> weights = preprocess(loaded_weights)  # some function
>>> weights
tensor([-0.5503,  0.4926, -2.1158, -0.8303])

>>> # Now, start to record operations done to weights
>>> weights.requires_grad_()
>>> out = weights.pow(2).sum()
>>> out.backward()
>>> weights.grad
tensor([-1.1007,  0.9853, -4.2316, -1.6606])

reshape(*shape) → Tensor

返回一个 tensor, 其data和元素数量与 self 一样, 但是改变成指定的形状. 这个方法返回一个tensor的试图 如果 shape 和当前的形状是兼容的. 见 torch.Tensor.view() 关于是什么时候返回一个 view.

见 torch.reshape()

参数:	shape (tuple of python:ints or int...) – 期望变成的形状

reshape_as(other) → Tensor

返回一个tensor形状与 other 相同. self.reshape_as(other) 等价于 self.reshape(other.sizes()). 这个方法返回一个tensor的试图 如果 self.reshape(other.sizes()) 和当前的形状是兼容的. 见 torch.Tensor.view() 关于是什么时候返回一个 view.

请参考 reshape() 获得更多关于 reshape 的信息.

参数:	other (torch.Tensor) – 返回的tensor形状与 other 一致.

resize_(*sizes) → Tensor

缩放 self tensor到指定的大小. 如果指定的元素数量比当前的要大, 底层的存储结构会缩放到合适的大小. 如果数量更小, 底层存储不变. 当前的元素都会被保留, 没有任何的新的初始化.

警告

这是一个底层的操作. 存储被重新解释为C-contiguous, 忽略当前stride(除非目标大小等于当前大小, 在这种情况下tensor保持不变）.在大多数情况下, 您将要使用 view(), 它会检查连续性, 或者 reshape(), 在必要的时候会拷贝数据. 如果想要改变大小并且自定义stride, 见 set_().

参数:	sizes (torch.Size or int...) – 期望的大小

例子:

>>> x = torch.tensor([[1, 2], [3, 4], [5, 6]])
>>> x.resize_(2, 2)
tensor([[ 1,  2],
 [ 3,  4]])

resize_as_(tensor) → Tensor

缩放 self tensor 的大小与参数 tensor 相同. 等价于 self.resize_(tensor.size()).

round() → Tensor

见 torch.round()

round_() → Tensor

原地版本的 round()

rsqrt() → Tensor

见 torch.rsqrt()

rsqrt_() → Tensor

原地版本的 rsqrt()

scatter_(dim, index, src) → Tensor

根据 index tensor 中指定的索引, 将所有 tensor src 中的值写入self . 对于 src 中的每一个值, 当 dimension != dim, 它的输出的索引由 src 中的索引指定, 当 dimension = dim, 由 index 中对应的值指定.

对于一个 3-D tensor, self 的更新规则如下:

self[index[i][j][k]][j][k] = src[i][j][k]  # if dim == 0
self[i][index[i][j][k]][k] = src[i][j][k]  # if dim == 1
self[i][j][index[i][j][k]] = src[i][j][k]  # if dim == 2

这是 gather() 中描述的方式的逆向操作.

self, index and src (if it is a Tensor) 应该有相同数量的维度. 同时也要求 index.size(d) <= src.size(d) 对于每一个维度 d, 而且 index.size(d) <= self.size(d) 对于每一个维度 d != dim.

此外, 关于 gather(), index 的值必须介于 0 和 self.size(dim) - 1 (包括), 并且沿着指定维度dim的行中的所有值必须是唯一的.

参数:

• dim (int) – 要索引的轴
• index (LongTensor) – 需要 scatter 的元素的索引, 可以是空的，也可以与src大小相同。当为空时，操作返回恒等
• src (Tensor or float) – scatter 源

例子:

>>> x = torch.rand(2, 5)
>>> x
tensor([[ 0.3992,  0.2908,  0.9044,  0.4850,  0.6004],
 [ 0.5735,  0.9006,  0.6797,  0.4152,  0.1732]])
>>> torch.zeros(3, 5).scatter_(0, torch.tensor([[0, 1, 2, 0, 0], [2, 0, 0, 1, 2]]), x)
tensor([[ 0.3992,  0.9006,  0.6797,  0.4850,  0.6004],
 [ 0.0000,  0.2908,  0.0000,  0.4152,  0.0000],
 [ 0.5735,  0.0000,  0.9044,  0.0000,  0.1732]])

>>> z = torch.zeros(2, 4).scatter_(1, torch.tensor([[2], [3]]), 1.23)
>>> z
tensor([[ 0.0000,  0.0000,  1.2300,  0.0000],
 [ 0.0000,  0.0000,  0.0000,  1.2300]])

scatter_add_(dim, index, other) → Tensor

根据 index tensor 中指定的索引(方式和scatter_()类似), 将所有 tensor other 中的值加到self . 对于 other 中的每一个值, 当 dimension != dim, 它的输出的索引由 other 中的索引指定, 当 dimension = dim, 由 index 中对应的值指定.

对于一个 3-D tensor, self 的更新规则如下:

self[index[i][j][k]][j][k] += other[i][j][k]  # if dim == 0
self[i][index[i][j][k]][k] += other[i][j][k]  # if dim == 1
self[i][j][index[i][j][k]] += other[i][j][k]  # if dim == 2

self, index and other 应该有相同数量的维度. 也要求 index.size(d) <= other.size(d) 对于所有的维度 d, 并且 index.size(d) <= self.size(d) 对于所有的维度 d != dim.

此外, 关于 gather(), index 的值必须介于 0 和 self.size(dim) - 1 (包括), 并且沿着指定维度dim的行中的所有值必须是唯一的.

注意

当使用 CUDA 作为后端, 这个操作将导致不确定性行为, 并且难以停止. 请参考 Reproducibility 获得相关背景.

参数:

• dim (int) – 要索引的轴
• index (LongTensor) – 需要 scatter add 的元素的索引, 可以是空的，也可以与src大小相同。当为空时，操作返回恒等
• src (Tensor or float) – scatter 源

例子:

>>> x = torch.rand(2, 5)
>>> x
tensor([[0.7404, 0.0427, 0.6480, 0.3806, 0.8328],
 [0.7953, 0.2009, 0.9154, 0.6782, 0.9620]])
>>> torch.ones(3, 5).scatter_add_(0, torch.tensor([[0, 1, 2, 0, 0], [2, 0, 0, 1, 2]]), x)
tensor([[1.7404, 1.2009, 1.9154, 1.3806, 1.8328],
 [1.0000, 1.0427, 1.0000, 1.6782, 1.0000],
 [1.7953, 1.0000, 1.6480, 1.0000, 1.9620]])

select(dim, index) → Tensor

沿着选择的维度在给定的索引处切取 self tensor.这个函数返回的 tensor 指定的维度被移除了.

参数:

• dim (int) – 要切片的维度
• index (int) – 选择的索引

注意

select() 等价于切片. 例如, tensor.select(0, index) 等价于 tensor[index] and tensor.select(2, index) 等价于 tensor[:,:,index].

set_(source=None, storage_offset=0, size=None, stride=None) → Tensor

设置底层存储, 大小, 和 strides. 如果 source 是一个 tensor, self tensor 将会和 source 共享底层存储, 并有用一样的大小和 strides. 在一个 tensor 中改变元素将会反应到另一个tensor.

如果 source 是一个 Storage, 此方法设置底层存储, offset, 大小, 和 stride.

参数:

• source (Tensor or Storage) – 要设置的 tensor 或者 storage
• storage_offset (int, optional) – storage 的 offset
• size (torch.Size__, optional) – 期望的大小.默认是 source 的大小.
• stride (tuple, optional) – 期望的 stride.默认值是 C-contiguous strides.

share_memory_()

移动底层存储到共享内存.

这是一个空操作如果底层存储已经在共享内存中或者是 CUDA tensors. 共享内存中的 tensor 不能 resize.

short() → Tensor

self.short() 等价于 self.to(torch.int16). 见 to().

sigmoid() → Tensor

见 torch.sigmoid()

sigmoid_() → Tensor

原地版本的 sigmoid()

sign() → Tensor

见 torch.sign()

sign_() → Tensor

原地版本的 sign()

sin() → Tensor

见 torch.sin()

sin_() → Tensor

原地版本的 sin()

sinh() → Tensor

见 torch.sinh()

sinh_() → Tensor

原地版本的 sinh()

size() → torch.Size

返回 self tensor 的尺寸. 返回值是 [tuple] 的子类(https://docs.python.org/3/library/stdtypes.html#tuple "(in Python v3.7)").

例如:

>>> torch.empty(3, 4, 5).size()
torch.Size([3, 4, 5])

slogdet() -> (Tensor, Tensor)

见 torch.slogdet()

sort(dim=None, descending=False) -> (Tensor, LongTensor)

见 torch.sort()

split(split_size, dim=0)

见 torch.split()

sparse_mask(input, mask) → Tensor

用 mask 的索引过滤 Tensor input, 返回一个新的 SparseTensor. input 和 mask 必须有相同的形状.

参数:

• input (Tensor) – 输入 Tensor
• mask (SparseTensor) – SparseTensor 用其索引过滤 input

例子:

>>> nnz = 5
>>> dims = [5, 5, 2, 2]
>>> I = torch.cat([torch.randint(0, dims[0], size=(nnz,)),
 torch.randint(0, dims[1], size=(nnz,))], 0).reshape(2, nnz)
>>> V = torch.randn(nnz, dims[2], dims[3])
>>> size = torch.Size(dims)
>>> S = torch.sparse_coo_tensor(I, V, size).coalesce()
>>> D = torch.randn(dims)
>>> D.sparse_mask(S)
tensor(indices=tensor([[0, 0, 0, 2],
 [0, 1, 4, 3]]),
 values=tensor([[[ 1.6550,  0.2397],
 [-0.1611, -0.0779]],

 [[ 0.2326, -1.0558],
 [ 1.4711,  1.9678]],

 [[-0.5138, -0.0411],
 [ 1.9417,  0.5158]],

 [[ 0.0793,  0.0036],
 [-0.2569, -0.1055]]]),
 size=(5, 5, 2, 2), nnz=4, layout=torch.sparse_coo)

sqrt() → Tensor

见 torch.sqrt()

sqrt_() → Tensor

原地版本的 sqrt()

squeeze(dim=None) → Tensor

见 torch.squeeze()

squeeze_(dim=None) → Tensor

原地版本的 squeeze()

std(dim=None, unbiased=True, keepdim=False) → Tensor

见 torch.std()

storage() → torch.Storage

返回底层的 storage

storage_offset() → int

根据存储元素的数量(而不是字节)，返回底层存储中的tesor偏移量(offset)。

例子:

>>> x = torch.tensor([1, 2, 3, 4, 5])
>>> x.storage_offset()
0
>>> x[3:].storage_offset()
3

storage_type()

stride(dim) → tuple or int

返回 self tensor 的 stride.

stride 是必要的用于在指定的维度 dim 找到下一个元素. 如果传入空, 则返回一个 tuple 包含所有维度的 stride. 否则, 将会返回一个 int 表示指定维度 dim 的 stride.

参数:	dim (int, optional) – 需要返回 stride 的维度

例子:

>>> x = torch.tensor([[1, 2, 3, 4, 5], [6, 7, 8, 9, 10]])
>>> x.stride()
(5, 1)
>>>x.stride(0)
5
>>> x.stride(-1)
1

sub(value, other) → Tensor

self tensor 减去一个 scalar 或者 tensor. 如果 value 和 other 都被指定, 在相减之前, other 的每个元素将会用 value 缩放.

当 other 是一个 tensor, other 的形状必须和底层存储是可广播的 broadcastable .

sub_(x) → Tensor

原地版本的 sub()

sum(dim=None, keepdim=False, dtype=None) → Tensor

见 torch.sum()

svd(some=True, compute_uv=True) -> (Tensor, Tensor, Tensor)

见 torch.svd()

symeig(eigenvectors=False, upper=True) -> (Tensor, Tensor)

见 torch.symeig()

t() → Tensor

见 torch.t()

t_() → Tensor

原地版本的 t()

to(*args, **kwargs) → Tensor

执行 tensor 类型或者设备转换. torch.dtype 和 torch.device 是从参数中推断的 self.to(*args, **kwargs).

注意

如果 self Tensor 已经有正确的 torch.dtype 和 torch.device, 则 self 被返回. 否则, 将返回复制的 self 期望的 torch.dtype 和 torch.device.

下面是调用的方法 to:

to(dtype, non_blocking=False, copy=False) → Tensor

返回一个 Tensor 指定类型 dtype

to(device=None, dtype=None, non_blocking=False, copy=False) → Tensor

返回一个 Tensor 并指定 device 和 (可选的) dtype. 如果 dtype 是 None 则推断为 self.dtype . 当启用 non_blocking, 试图在主机上执行异步转换, 例如, 转换一个 pinned memory 的 CPU Tensor 到 CUDA Tensor. 当 copy 被设置, 一个新的 tensor 被创建.

to(other, non_blocking=False, copy=False) → Tensor

返回一个 Tensor 并有和 Tensor other 相同的 torch.dtype 和 torch.device. 当启用 non_blocking, 试图在主机上执行异步转换, 例如, 转换一个 pinned memory 的 CPU Tensor 到 CUDA Tensor. 当 copy 被设置, 一个新的 tensor 被创建.

例子:

>>> tensor = torch.randn(2, 2)  # Initially dtype=float32, device=cpu
>>> tensor.to(torch.float64)
tensor([[-0.5044,  0.0005],
 [ 0.3310, -0.0584]], dtype=torch.float64)

>>> cuda0 = torch.device('cuda:0')
>>> tensor.to(cuda0)
tensor([[-0.5044,  0.0005],
 [ 0.3310, -0.0584]], device='cuda:0')

>>> tensor.to(cuda0, dtype=torch.float64)
tensor([[-0.5044,  0.0005],
 [ 0.3310, -0.0584]], dtype=torch.float64, device='cuda:0')

>>> other = torch.randn((), dtype=torch.float64, device=cuda0)
>>> tensor.to(other, non_blocking=True)
tensor([[-0.5044,  0.0005],
 [ 0.3310, -0.0584]], dtype=torch.float64, device='cuda:0')

take(indices) → Tensor

见 torch.take()

tan()

tan_() → Tensor

原地版本的 tan()

tanh() → Tensor

见 torch.tanh()

tanh_() → Tensor

原地版本的 tanh()

tolist()

” tolist() -> list or number

返回tensor 作为(嵌套的) list. 对于 scalars,一个标准的 Python number 被返回, 就像 item() 一样. Tensors 会自动移动到 CPU 上如果有必要.

这个操作是不可微分的.

例子:

>>> a = torch.randn(2, 2)
>>> a.tolist()
[[0.012766935862600803, 0.5415473580360413],
 [-0.08909505605697632, 0.7729271650314331]]
>>> a[0,0].tolist()
0.012766935862600803

topk(k, dim=None, largest=True, sorted=True) -> (Tensor, LongTensor)

见 torch.topk()

to_sparse(sparseDims) → Tensor

返回一个稀疏复制的 tensor. PyTorch 支持 coordinate 格式 的稀疏 tensors. :param sparseDims: 要包含在新稀疏tensor中的稀疏维数 :type sparseDims: int, 可选的

例子::

>>> d = torch.tensor([[0, 0, 0], [9, 0, 10], [0, 0, 0]])
>>> d
tensor([[ 0,  0,  0],
 [ 9,  0, 10],
 [ 0,  0,  0]])
>>> d.to_sparse()
tensor(indices=tensor([[1, 1],
 [0, 2]]),
 values=tensor([ 9, 10]),
 size=(3, 3), nnz=2, layout=torch.sparse_coo)
>>> d.to_sparse(1)
tensor(indices=tensor([[1]]),
 values=tensor([[ 9,  0, 10]]),
 size=(3, 3), nnz=1, layout=torch.sparse_coo)

trace() → Tensor

见 torch.trace()

transpose(dim0, dim1) → Tensor

见 torch.transpose()

transpose_(dim0, dim1) → Tensor

原地版本的 transpose()

tril(k=0) → Tensor

见 torch.tril()

tril_(k=0) → Tensor

原地版本的 tril()

triu(k=0) → Tensor

见 torch.triu()

triu_(k=0) → Tensor

原地版本的 triu()

trtrs(A, upper=True, transpose=False, unitriangular=False) -> (Tensor, Tensor)

见 torch.trtrs()

trunc() → Tensor

见 torch.trunc()

trunc_() → Tensor

原地版本的 trunc()

type(dtype=None, non_blocking=False, **kwargs) → str or Tensor

返回 type 如果 dtype 没有被设置, 否则将会强制转换成 dtype 类型.

如果这已经是正确的类型，则不执行复制，并返回原始对象.

参数:

• dtype (type or string) – 期望类型
• non_blocking (bool) – 如果 True，并且源在pinned memory中，目的地在GPU上，则拷贝相对于主机异步执行。否则，这个参数没有任何作用。
• **kwargs – 为了兼容性, 可能包含 async 用来置换 non_blocking 参数. async 参数被废弃了.

type_as(tensor) → Tensor

返回 tensor 强制转换为 tensor 的数据类型.

如果这已经是正确的类型，则是空操作. 等价于:

self.type(tensor.type())

Params:

tensor (Tensor): 拥有目标数据类型的 tensor

unfold(dim, size, step) → Tensor

返回一个 tensor 包含 self tensor 在维度 dim 上的所有切片, 每一个的大小为 size.

step 指定每一个切片的间距.

如果 sizedim 是 self dim 维度的大小, 返回的 tensor 的维度 dim 大小是 (sizedim - size) / step + 1.

一个附加的size size的维度追加于返回的 tensor.

参数:

• dim (int) – 指定 unfold 的维度
• size (int) – 指定每个slice的大小
• step (int) – 指定步长

例子:

>>> x = torch.arange(1., 8)
>>> x
tensor([ 1.,  2.,  3.,  4.,  5.,  6.,  7.])
>>> x.unfold(0, 2, 1)
tensor([[ 1.,  2.],
 [ 2.,  3.],
 [ 3.,  4.],
 [ 4.,  5.],
 [ 5.,  6.],
 [ 6.,  7.]])
>>> x.unfold(0, 2, 2)
tensor([[ 1.,  2.],
 [ 3.,  4.],
 [ 5.,  6.]])

uniform_(from=0, to=1) → Tensor

用连续均匀分布的采样值填充 self tensor:

unique(sorted=False, return_inverse=False, dim=None)

返回 tensor 中唯一的标量作为 1-D tensor.

见 torch.unique()

unsqueeze(dim) → Tensor

见 torch.unsqueeze()

unsqueeze_(dim) → Tensor

原地版本的 unsqueeze()

var(dim=None, unbiased=True, keepdim=False) → Tensor

见 torch.var()

view(*shape) → Tensor

返回一个新的 tersor, 和 self 有相同的数据, 但是有不同的 shape.

返回的 tensor 共享相同的数据，并且具有相同数量的元素，但是可能有不同的大小。要 view() 一个tensor，新视图大小必须与其原始大小和 stride 兼容, 例如, 每个新视图维度必须是原始维度的子空间，或者仅跨越原始维度 满足以下连续性条件 ,

否则在 view() 之前, contiguous() 需要被调用. 可参考: reshape(), 返回一个view 当形状是兼容的, 否则复制 (等价于调用 contiguous()).

参数:	shape (torch.Size or int...) – the desired size

例子:

>>> x = torch.randn(4, 4)
>>> x.size()
torch.Size([4, 4])
>>> y = x.view(16)
>>> y.size()
torch.Size([16])
>>> z = x.view(-1, 8)  # the size -1 is inferred from other dimensions
>>> z.size()
torch.Size([2, 8])

view_as(other) → Tensor

使用 other 的大小 View tensor . self.view_as(other) 等价于 self.view(other.size()).

请参考 view() 获得更多信息关于 view.

参数:	other (torch.Tensor) – 返回的tensor 和 other 大小相同.

zero_() → Tensor

用 0 填充 self tensor.

class torch.ByteTensor

下面的方法是 torch.ByteTensor 独占.

all()

all() → bool

返回 True 如果所有的元素非零, 否则 False.

例子:

>>> a = torch.randn(1, 3).byte() % 2
>>> a
tensor([[1, 0, 0]], dtype=torch.uint8)
>>> a.all()
tensor(0, dtype=torch.uint8)

all(dim, keepdim=False, out=None) → Tensor

返回 True 如果 tensor 在指定维度dim每一行的所有的元素非零, 否则 False.

如果 keepdim 是 True, 则输出 tensor 的大小与 input相同, 但尺寸为1的维度dim除外. 否则, dim 会被压缩 (见 torch.squeeze()), 导致输出张量比input少1维.

Parameters:

• dim (int) – 要reduce的维度
• keepdim (bool) – output tensor 是否保留 dim
• out (Tensor, 可选的) – output tensor

例子:

>>> a = torch.randn(4, 2).byte() % 2
>>> a
tensor([[0, 0],
 [0, 0],
 [0, 1],
 [1, 1]], dtype=torch.uint8)
>>> a.all(dim=1)
tensor([0, 0, 0, 1], dtype=torch.uint8)

any()

any() → bool

返回 True 如果任意元素非零, 否则 False.

例子:

>>> a = torch.randn(1, 3).byte() % 2
>>> a
tensor([[0, 0, 1]], dtype=torch.uint8)
>>> a.any()
tensor(1, dtype=torch.uint8)

any(dim, keepdim=False, out=None) → Tensor

返回 True 如果 tensor 在指定维度dim每一行的任意的元素非零, 否则 False.

如果 keepdim 是 True, 则输出 tensor 的大小与 input相同, 但尺寸为1的维度dim除外. 否则, dim 会被压缩 (见 torch.squeeze()), 导致输出张量比input少1维.

参数:

• dim (int) – 要减少的维度
• keepdim (bool) – output tensor 是否保留 dim
• out (Tensor, 可选的) – output tensor

Example:

>>> a = torch.randn(4, 2).byte() % 2
>>> a
tensor([[1, 0],
 [0, 0],
 [0, 1],
 [0, 0]], dtype=torch.uint8)
>>> a.any(dim=1)
tensor([1, 0, 1, 0], dtype=torch.uint8)

---

我们一直在努力

apachecn/AiLearning

---