torch.Tensor

torch.Tensor是一种包含单一数据类型元素的多维矩阵。

Torch定义了七种CPU张量类型和八种GPU张量类型:

Data tyoe CPU tensor GPU tensor
32-bit floating point torch.FloatTensor torch.cuda.FloatTensor
64-bit floating point torch.DoubleTensor torch.cuda.DoubleTensor
16-bit floating point N/A torch.cuda.HalfTensor
8-bit integer (unsigned) torch.ByteTensor torch.cuda.ByteTensor
8-bit integer (signed) torch.CharTensor torch.cuda.CharTensor
16-bit integer (signed) torch.ShortTensor torch.cuda.ShortTensor
32-bit integer (signed) torch.IntTensor torch.cuda.IntTensor
64-bit integer (signed) torch.LongTensor torch.cuda.LongTensor

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

张量可以从Python的list或序列构成​​:

>>> torch.FloatTensor([[1, 2, 3], [4, 5, 6]])
1 2 3
4 5 6
[torch.FloatTensor of size 2x3]

可以通过指定它的大小来构建一个空的张量:

>>> torch.IntTensor(2, 4).zero_()
0 0 0 0
0 0 0 0
[torch.IntTensor of size 2x4]

可以使用Python的索引和切片符号来访问和修改张量的内容:

>>> x = torch.FloatTensor([[1, 2, 3], [4, 5, 6]])
>>> print(x[1][2])
6.0
>>> x[0][1] = 8
>>> print(x)
 1 8 3
 4 5 6
[torch.FloatTensor of size 2x3]

每一个张量tensor都有一个相应的torch.Storage保存其数据。张量类提供了一个多维的、横向视图的存储,并定义了数字操作。

注意: 改变张量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tensor.FloatTensor.abs()将会在新张量中计算结果。

class torch.Tensor
class torch.Tensor(*sizes)
class torch.Tensor(size)
class torch.Tensor(sequence)
class torch.Tensor(ndarray)
class torch.Tensor(tensor)
class torch.Tensor(storage)

从可选的大小或数据创建新的张量。 如果没有给出参数,则返回空的零维张量。如果提供了numpy.ndarray,torch.Tensortorch.Storage,将会返回一个相同数据的新张量.如果提供了python序列,则从序列的副本创建一个新的张量。

abs()

参考torch.abs(),矩阵数组绝对值

abs_()

abs()的直接运算形式

acos()

参考torch.acos()

acos_()

acos()的直接运算形式,即直接执行并且返回修改后的张量

add(value)

参考torch.add()

add_(value)

add()的直接运算形式,即直接执行并且返回修改后的张量

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

参考torch.addbmm()

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

addbmm()的直接运算形式,即直接执行并且返回修改后的张量

addcdiv(value=1, tensor1, tensor2)

参考torch.addcdiv()

addcdiv_(value=1, tensor1, tensor2)

addcdiv()的直接运算形式,即直接执行并且返回修改后的张量

addcmul(value=1, tensor1, tensor2)

参考torch.addcmul()

addcmul_(value=1, tensor1, tensor2)

addcmul()的直接运算形式,即直接执行并且返回修改后的张量

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

参考torch.addmm()

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

addmm()的直接运算形式,即直接执行并且返回修改后的张量

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

参考torch.addmv()

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

addmv()的直接运算形式,即直接执行并且返回修改后的张量

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

参考torch.addr()

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

addr()的直接运算形式,即直接执行并且返回修改后的张量

apply_(callable)

将函数callable作用于tensor中每一个元素,并替换每个元素用callable函数返回的值。

注意: 该函数只能在CPU tensor中使用,并且不应该用在有较高性能要求的代码块。

asin()

参考torch.asin()

asin_()

asin()的直接运算形式,即直接执行并且返回修改后的张量

atan()

参考torch.atan()

atan2()

参考torch.atan2()

atan2_()

atan2()的直接运算形式,即直接执行并且返回修改后的张量

atan_()

atan()的直接运算形式,即直接执行并且返回修改后的张量

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

参考torch.baddbmm()

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

baddbmm()的直接运算形式,即直接执行并且返回修改后的张量

bernoulli()

参考torch.bernoulli()

bernoulli_()

bernoulli()的直接运算形式,即直接执行并且返回修改后的张量

bmm(batch2)

参考torch.bmm()

byte()

将tensor改为byte类型

bmm(median=0, sigma=1, *, generator=None)

将tensor中元素用柯西分布得到的数值填充: P(x)=1/π * σ/(x−median)2+σ2

ceil()

参考torch.ceil()

ceil_()

ceil()的直接运算形式,即直接执行并且返回修改后的张量

char()

将tensor元素改为char类型

chunk(n_chunks, dim=0)

将tensor分割为tensor元组. 参考torch.chunk()

clamp(min, max)

参考torch.clamp()

clamp_(min, max)

clamp()的直接运算形式,即直接执行并且返回修改后的张量

clone()

返回与原tensor有相同大小和数据类型的tensor

contiguous()

返回一个内存连续的有相同数据的tensor,如果原tensor内存连续则返回原tensor

copy_(src, async=False)

src中的元素复制到tensor中并返回这个tensor。 如果broadcast是True,则源张量必须可以使用该张量广播。否则两个tensor应该有相同数目的元素,可以是不同的数据类型或存储在不同的设备上。

参数:

  • src(Tensor) - 要复制的源张量
  • async(bool) - 如果为True,并且此副本位于CPU和GPU之间,则副本可能会相对于主机异步发生。对于其他副本,此参数无效。
  • broadcast(bool) - 如果为True,src将广播到底层张量的形状。

cos()

参考torch.cos()

cos_()

cos()的直接运算形式,即直接执行并且返回修改后的张量

cosh()

参考torch.cosh()

cosh_()

cosh()的直接运算形式,即直接执行并且返回修改后的张量

cpu()

如果在CPU上没有该tensor,则会返回一个CPU的副本

cross(other, dim=-1)

参考torch.cross()

cuda(device=None, async=False)

返回此对象在CPU内存中的一个副本 如果该对象已经在CUDA内存中,并且在正确的设备上,则不会执行任何副本,并返回原始对象。

参数:

  • device(int) :目标GPU ID。默认为当前设备。
  • async(bool) :如果为True并且源处于固定内存中,则该副本将相对于主机是异步的。否则,该参数没有意义。

cumprod(dim)

参考torch.cumprod()

cumsum(dim)

参考torch.cumsum()

data_ptr() → int

返回tensor第一个元素的地址

diag(diagonal=0)

参考torch.diag()

dim() → int

返回tensor的维数

dist(other, p=2)

参考torch.dist()

div(value)

参考torch.div()

div_(value)

div()的直接运算形式,即直接执行并且返回修改后的张量

dot(tensor2) → float

参考torch.dot()

double()

将该tensor投射为double类型

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

参考torch.eig()

element_size() → int

返回单个元素的字节大小。 例:

>>> torch.FloatTensor().element_size()
4
>>> torch.ByteTensor().element_size()
1

eq(other)

参考torch.eq()

eq_(other)

eq()的直接运算形式,即直接执行并且返回修改后的张量

equal(other) → bool

参考torch.equal()

exp()

参考torch.exp()

exp_()

exp()的直接运算形式,即直接执行并且返回修改后的张量

expand(*sizes)

返回tensor的一个新视图,单个维度扩大为更大的尺寸。 tensor也可以扩大为更高维,新增加的维度将附在前面。 扩大tensor不需要分配新内存,只是仅仅新建一个tensor的视图,其中通过将stride设为0,一维将会扩展位更高维。任何一个一维的在不分配新内存情况下可扩展为任意的数值。

参数:

  • sizes(torch.Size or int...)-需要扩展的大小

例:

>>> x = torch.Tensor([[1], [2], [3]])
>>> x.size()
torch.Size([3, 1])
>>> x.expand(3, 4)
 1 1
 1 1
 2 2 2 2
 3 3 3 3
 [torch.FloatTensor of size 3x4]

expand_as(tensor)

将tensor扩展为参数tensor的大小。 该操作等效与:

self.expand(tensor.size())

exponential_(lambd=1, *, generator=None) $to$ Tensor

将该tensor用指数分布得到的元素填充: $$ P(x)= \lambda e^{- \lambda x} $$

fill_(value)

将该tensor用指定的数值填充

float()

将tensor投射为float类型

floor()

参考torch.floor()

floor_()

floor()的直接运算形式,即直接执行并且返回修改后的张量

fmod(divisor)

参考torch.fmod()

fmod_(divisor)

fmod()的直接运算形式,即直接执行并且返回修改后的张量

frac()

参考torch.frac()

frac_()

frac()的直接运算形式,即直接执行并且返回修改后的张量

gather(dim, index)

参考torch.gather()

ge(other)

参考torch.ge()

ge_(other)

ge()的直接运算形式,即直接执行并且返回修改后的张量

gels(A)

参考torch.gels()

geometric_(p, *, generator=None)

将该tensor用几何分布得到的元素填充: $$ P(X=k)= (1-p)^{k-1}p $$

geqrf() -> (Tensor, Tensor)

参考torch.geqrf()

ger(vec2)

参考torch.ger()

gesv(A), Tensor

参考torch.gesv()

gt(other)

参考torch.gt()

gt_(other)

gt()的直接运算形式,即直接执行并且返回修改后的张量

half()

将tensor投射为半精度浮点类型

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

参考torch.histc()

index(m)

用一个二进制的掩码或沿着一个给定的维度从tensor中选取元素。tensor.index(m)tensor[m]完全相同。

参数:

  • m(int or Byte Tensor or slice)-用来选取元素的维度或掩码

    indexadd(dim, index, tensor)

    按参数index中的索引数确定的顺序,将参数tensor中的元素加到原来的tensor中。参数tensor的尺寸必须严格地与原tensor匹配,否则会发生错误。

参数:

  • dim(int)-索引index所指向的维度
  • index(LongTensor)-需要从tensor中选取的指数
  • tensor(Tensor)-含有相加元素的tensor

例:

>>> x = torch.Tensor([[1, 1, 1], [1, 1, 1], [1, 1, 1]])
>>> t = torch.Tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
>>> index = torch.LongTensor([0, 2, 1])
>>> x.index_add_(0, index, t)
>>> x
  2 3 4
  8 9 10
  5 6 7
[torch.FloatTensor of size 3x3]

indexcopy(dim, index, tensor)

按参数index中的索引数确定的顺序,将参数tensor中的元素复制到原来的tensor中。参数tensor的尺寸必须严格地与原tensor匹配,否则会发生错误。

参数:

  • dim (int)-索引index所指向的维度
  • index (LongTensor)-需要从tensor中选取的指数
  • tensor (Tensor)-含有被复制元素的tensor

例:

>>> x = torch.Tensor(3, 3)
>>> t = torch.Tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
>>> index = torch.LongTensor([0, 2, 1])
>>> x.index_copy_(0, index, t)
>>> x
  1 2 3
  7 8 9
  4 5 6
[torch.FloatTensor of size 3x3]

indexfill(dim, index, val)

按参数index中的索引数确定的顺序,将原tensor用参数val值填充。

参数:

  • dim (int)-索引index所指向的维度
  • index (LongTensor)-索引
  • val (Tensor)-填充的值

例:

>>> x = torch.Tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
>>> index = torch.LongTensor([0, 2])
>>> x.index_fill_(0, index, -1)
>>> x
  -1 2 -1
  -1 5 -1
  -1 8 -1
[torch.FloatTensor of size 3x3]

index_select(dim, index)

参考torch.index_select()

int()

将该tensor投射为int类型

inverse()

参考torch.inverse()

is_contiguous() → bool

如果该tensor在内存中是连续的则返回True。

is_cuda

is_pinned()

如果该tensor在固定内内存中则返回True

is_set_to(tensor) → bool

如果此对象引用与Torch C API相同的THTensor对象作为给定的张量,则返回True。

is_signed()

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

参考torch.kthvalue()

le(other)

参考torch.le()

le_(other)

le()的直接运算形式,即直接执行并且返回修改后的张量

lerp(start, end, weight)

参考torch.lerp()

lerp_(start, end, weight)

lerp()的直接运算形式,即直接执行并且返回修改后的张量

log()

参考torch.log()

loglp()

参考torch.loglp()

loglp_()

loglp()的直接运算形式,即直接执行并且返回修改后的张量

log_()→ Tensor

log()的直接运算形式,即直接执行并且返回修改后的张量

lognormal(mwan=1, std=2, , gegnerator=None*)

将该tensor用均值为$\mu$,标准差为$\sigma$的对数正态分布得到的元素填充。要注意meanstdv是基本正态分布的均值和标准差,不是返回的分布: $$ P(X)= \frac {1} {x \sigma \sqrt {2 \pi}}e^{- \frac {(lnx- \mu)^2} {2 \sigma^2}} $$

long()

将tensor投射为long类型

lt(other)

参考torch.lt()

lt_(other)

lt()的直接运算形式,即直接执行并且返回修改后的张量

map_(tensor, callable)

callable作用于本tensor和参数tensor中的每一个元素,并将结果存放在本tensor中。callable应该有下列标志:

def callable(a, b) -> number

maskedcopy(mask, source)

mask中值为1元素对应的source中位置的元素复制到本tensor中。mask应该有和本tensor相同数目的元素。source中元素的个数最少为mask中值为1的元素的个数。

参数:

  • mask (ByteTensor)-二进制掩码
  • source (Tensor)-复制的源tensor

注意: mask作用于self自身的tensor,而不是参数中的source

maskedfill(mask, value)

mask值为1的位置处用value填充。mask的元素个数需和本tensor相同,但尺寸可以不同。形状mask必须 与下面的张量的形状一起广播。

参数:

  • mask (ByteTensor)-二进制掩码
  • value (Tensor)-用来填充的值

masked_select(mask)

参考torch.masked_select()

max(dim=None) -> float or(Tensor, Tensor)

参考torch.max()

mean(dim=None) -> float or(Tensor, Tensor)

参考torch.mean()

median(dim=-1, value=None, indices=None) -> (Tensor, LongTensor)

参考torch.median()

min(dim=None) -> float or(Tensor, Tensor)

参考torch.min()

mm(mat2)

参考torch.mm()

mode(dim=-1, value=None, indices=None) -> (Tensor, LongTensor)

参考torch.mode()

mul(value)

参考torch.mul()

mul_(value)

mul()的直接运算形式,即直接执行并且返回修改后的张量

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

参考torch.multinomial()

mv(vec)

参考torch.mv()

narrow(dimension, start, length) → Te

返回这个张量的缩小版本的新张量。维度dim缩小范围是startstart+length。返回的张量和该张量共享相同的底层存储。

参数:

  • dimension (int)-需要缩小的维度
  • start (int)-起始维度
  • length (int)-长度

例:

>>> x = torch.Tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
>>> x.narrow(0, 0, 2)
 1  2  3
 4  5  6
[torch.FloatTensor of size 2x3]
>>> x.narrow(1, 1, 2)
 2  3
 5  6
 8  9
[torch.FloatTensor of size 3x2]

ndimension() → int

dim()的另一种表示。

ne(other)

参考torch.ne()

ne_(other)

ne()的直接运算形式,即直接执行并且返回修改后的张量

neg()

参考torch.neg()

neg_()

neg()的直接运算形式,即直接执行并且返回修改后的张量

nelement() → int

numel()的另一种表示

new(*args, **kwargs)

构建一个有相同数据类型的tensor

nonezero() → LongTensor

参考`torch.nonezero()

norm(p=2) → float

参考`torch.norm()

normal_(mean=0, std=1, , gengerator=None*)

将tensor用均值为mean和标准差为std的正态分布填充。

numel() → int

参考numel()

numpy() → ndarray

将该tensor以NumPy的形式返回ndarray,两者共享相同的底层内存。原tensor改变后会相应的在ndarray有反映,反之亦然。

orgqr(input2)

参考torch.orgqr()

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

参考torch.ormqr()

permute(dims)

将tensor的维度换位。

参数:

  • dims (int..*)-换位顺序

例:

>>> 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()

将张量复制到固定内存(如果尚未固定)。

potrf(upper=True)

参考torch.potrf()

potri(upper=True)

参考torch.potri()

potrs(input2, upper=True)

参考torch.potrs()

pow(exponent)

参考torch.pow()

pow_()

pow()的直接运算形式,即直接执行并且返回修改后的张量

prod()) → float

参考torch.prod()

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

参考torch.pstrf()

qr()-> (Tensor, IntTensor)

参考torch.qr()

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

将tensor用从在[from, to-1]上的正态分布或离散正态分布取样值进行填充。如果未指定,则该值仅由该张量数据类型限定。

reciprocal()

参考torch.reciprocal()

reciprocal_()

reciprocal()的直接运算形式,即直接执行并且返回修改后的张量

remainder(divisor)

参考torch.remainder()

remainder_(divisor)

remainder()的直接运算形式,即直接执行并且返回修改后的张量

renorm(p, dim, maxnorm)

参考torch.renorm()

renorm_(p, dim, maxnorm)

renorm()的直接运算形式,即直接执行并且返回修改后的张量

repeat(*sizes)

沿指定维度重复此张量。 与expand()功能不同,此功能可复制张量中的数据。

参数:

  • *sizes (torch.Size ot int...)-沿着每个维重复这个张量的次数

例:

>>> x = torch.Tensor([1, 2, 3])
>>> x.repeat(4, 2)
 1  2  3  1  2  3
 1  2  3  1  2  3
 1  2  3  1  2  3
 1  2  3  1  2  3
[torch.FloatTensor of size 4x6]
>>> x.repeat(4, 2, 1).size()
torch.Size([4, 2, 3])

resize_(*sizes)

将tensor的大小调整为指定的大小。如果元素个数比当前的内存大小大,就将底层存储大小调整为与新元素数目一致的大小。如果元素个数比当前内存小,则底层存储不会被改变。原来tensor中被保存下来的元素将保持不变,但新内存将不会被初始化。

参数:

  • sizes (torch.Size or int...)-需要调整的大小

例:

>>> x = torch.Tensor([[1, 2], [3, 4], [5, 6]])
>>> x.resize_(2, 2)
>>> x
 1  2
 3  4
[torch.FloatTensor of size 2x2]

resizeas(tensor)

将当前张量调整为与指定张量相同的大小。这相当于:

self.resize_(tensor.size())

round()

参考torch.round()

round_()

round()的直接运算形式,即直接执行并且返回修改后的张量

rsqrt()

参考torch.rsqrt()

rsqrt_()

rsqrt()的直接运算形式,即直接执行并且返回修改后的张量

scatter_(dim, index, src)

src中的所有值按照index确定的索引写入本tensor中。其中索引是根据给定的dimension,dim按照gather()描述的规则来确定。

请注意,对于collect,index的值必须在0和(self.size(dim)-1)之间,包括所有值,并且指定维中的一行中的所有值必须是唯一的。

参数:

  • input (Tensor)-源tensor
  • dim (int)-索引的轴向
  • index (LongTensor)-散射元素的索引指数
  • src (Tensor or float)-散射的源元素

例子:

>>> x = torch.rand(2, 5)
>>> x

 0.4319  0.6500  0.4080  0.8760  0.2355
 0.2609  0.4711  0.8486  0.8573  0.1029
[torch.FloatTensor of size 2x5]

>>> torch.zeros(3, 5).scatter_(0, torch.LongTensor([[0, 1, 2, 0, 0], [2, 0, 0, 1, 2]]), x)

 0.4319  0.4711  0.8486  0.8760  0.2355
 0.0000  0.6500  0.0000  0.8573  0.0000
 0.2609  0.0000  0.4080  0.0000  0.1029
[torch.FloatTensor of size 3x5]

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

 0.0000  0.0000  1.2300  0.0000
 0.0000  0.0000  0.0000  1.2300
[torch.FloatTensor of size 2x4]

select(dim, index) or number

按照index中选定的维度将tensor切片。如果tensor是一维的,则返回一个数字。否则,返回给定维度已经被移除的tensor。

参数:

  • dim (int)-切片的维度
  • index (int)-用来选取的索引

注意: select()等效于切片。例如:tensor.select(0, index)等效于tensor[index]tensor.select(2, index)等效于tensor[:,:,index]

set(source=None, storage_offset=0, size=None, stride=None)

设置底层内存,大小和步长。如果source是张量,则该张量将共享相同的存储空间,并且具有与给定张量相同的大小和步长。另一个则反映在一个张量内的元素变化。

参数:

  • source (Tensor or Storage)-用到的tensor或内存
  • storage_offset (int)-内存的偏移量
  • size (torch.Size)-需要的大小,默认为源tensor的大小。
  • stride(tuple)-需要的步长,默认为C连续的步长。

sharememory()

将底层存储器移动到共享内存。 如果底层存储已经在共享内存和CUDA张量中,不进行任何操作。共享内存中的Tensors无法调整大小。

short()

将tensor投射为short类型。

sigmoid()

参考torch.sigmoid()

sigmoid_()

sidmoid()的直接运算形式,即直接执行并且返回修改后的张量

sign()

参考torch.sign()

sign_()

sign()的直接运算形式,即直接执行并且返回修改后的张量

sin()

参考torch.sin()

sin_()

sin()的直接运算形式,即直接执行并且返回修改后的张量

sinh()

参考torch.sinh()

sinh_()

sinh()的直接运算形式,即直接执行并且返回修改后的张量

size() → torch.Size

返回tensor的大小。返回的值是tuple的子类。

例:

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

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

参考torhc.sort()

split(split_size, dim=0)

将tensor分割成tensor数组。 参考torhc.split()

sqrt()

参考torch.sqrt()

sqrt_()

sqrt()的直接运算形式,即直接执行并且返回修改后的张量

squeeze(dim=None)

参考torch.squeeze()

squeeze_(dim=None)

squeeze()的直接运算形式,即直接执行并且返回修改后的张量

std() → float

参考torch.std()

storage() → torch.Storage

返回底层内存。

storage_offset() → int

以储存元素的个数的形式返回tensor在地城内存中的偏移量。 例:

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

classmethod() storage_type()

stride()

返回tesnor的步长。

sub(value, other)

从该张量中排除一个标量或张量。如果valueother都是给定的,则在使用之前other的每一个元素都会被value缩放。 当other是一个张量,other的形状必须可以与下面的张量的形状一起广播

sub_(x)

sub()的直接运算形式,即直接执行并且返回修改后的张量

sum(dim=None)

参考torch.sum()

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

参考torch.svd()

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

参考torch.symeig()

t()

参考torch.t()

t()

t()的直接运算形式,即直接执行并且返回修改后的张量

tan()

参考torch.tan()

tan_()

tan()的直接运算形式,即直接执行并且返回修改后的张量

tanh()

参考torch.tanh()

tanh_()

tanh()的直接运算形式,即直接执行并且返回修改后的张量

tolist()

返回一个tensor的嵌套列表表示。

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

参考torch.topk()

trace() → float

参考torch.trace()

transpose(dim0, dim1)

参考torch.transpose()

transpose(dim0, dim1)

transpose()的直接运算形式,即直接执行并且返回修改后的张量

tril(k=0)

参考torch.tril()

tril_(k=0)

tril()的直接运算形式,即直接执行并且返回修改后的张量

triu(k=0)

参考torch.triu()

triu(k=0)

triu()的直接运算形式,即直接执行并且返回修改后的张量

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

参考torch.trtrs()

trunc()

参考torch.trunc()

trunc()

trunc()的直接运算形式,即直接执行并且返回修改后的张量

type(new_type=None, async=False)

如果未提供new_type,则返回类型,否则将此对象转换为指定的类型。 如果已经是正确的类型,则不会执行且返回原对象。

参数:

  • new_type (type或string)-需要的类型
  • async (bool)-如果为True,并且源处于固定内存中,目标位于GPU上,反之亦然,则相对于主机异步执行该副本。否则,该参数不发挥作用。

type_as(tesnor)

将此张量转换为给定类型的张量。 如果张量已经是正确的类型,则不会执行操作。等效于:

self.type(tensor.type())

参数:

  • tensor (Tensor):有所需要类型的tensor

unfold(dim, size, step)

返回一个张量,其中包含尺寸size中所有尺寸的维度。 如果_sizedim_是dim维度的原始大小,则返回张量中的维度是(sizedim-size)/step+1

维度大小的附加维度将附加在返回的张量中。

参数:

  • dim (int)- 展开的维度
  • size (int)- 展开的每个切片的大小
  • step (int)-相邻切片之间的步长

例子:

>>> x = torch.arange(1, 8)
>>> x

 1
 2
 3
 4
 5
 6
 7
[torch.FloatTensor of size 7]

>>> x.unfold(0, 2, 1)

 1  2
 2  3
 3  4
 4  5
 5  6
 6  7
[torch.FloatTensor of size 6x2]

>>> x.unfold(0, 2, 2)

 1  2
 3  4
 5  6
[torch.FloatTensor of size 3x2]

uniform_(from=0, to=1)

用均匀分布采样的数字填充该张量:

unsqueeze(dim)

参考torch.unsqueeze()

unsqueeze_(dim)

unsqueeze()的直接运算形式,即直接执行并且返回修改后的张量

var()

参考torch.var()

view(*args)

返回具有相同数据但大小不同的新张量。 返回的张量必须有与原张量相同的数据和相同数量的元素,但可以有不同的大小。一个张量必须是连续contiguous()的才能被查看。

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(tensor)

返回被视作与给定的tensor相同大小的原tensor。 等效于:

self.view(tensor.size())

zero_()

用0填充这个张量。

译者署名

用户名 头像 职能 签名
Song 翻译 人生总要追求点什么