Lesson1——Tensor

 

Tensor

Method	描述
is_tensor(obj)	如果 obj 是 PyTorch 張量，則返回 True ；
is_storage(obj)	如果 obj 是 PyTorch 儲存物件，則返回 True ；[torch.storage() ]
is_complex(input)	input如果 的資料型別是複雜資料型別，則返回 True ；
is_conj(input)	如果 input 是共軛張量，則返回 True ，即其共軛位設定為 True；
is_floating_point(input)	如果 input 的資料型別是浮點資料型別，則返回 True ；
is_nonzero(input)	input 如果是 單個張量且型別轉換後不等於0，則返回 True ；
set_default_dtype(d)	將預設浮點 dtype 設定為d；[ dtype 檢視型別]
get_default_dtype()	獲取當前的預設浮點數 torch.dtype；[預設是 torch.float32 ]
set_default_tensor_type(t)	將預設 torch.Tensor 型別設定為浮點張量型別 t；
numel(input)	返回 input 張量中元素的總數；[考慮 tensor.shape 的各個維度相乘]
set_printoptions	設定輸出格式；
set_flush_denormal(model)	禁用 CPU 上的非規範浮點數；[處理精度問題，False 則完整輸出]

建立操作

Method	描述
tensor	用 構造一個張量data；
sparse_coo_tensor	在給定索引處構造一個具有指定值的 COO(rdinate) 格式的稀疏張量；
as_tensor	將資料轉換為torch.Tensor ；
as_strided	建立具有指定大小、步幅和 storage_offset 的現有 torch.Tensor 輸入的檢視；
from_numpy	從 numpy.ndarray 建立一個張量；
frombuffer	從實現 Python 緩衝區協議的物件建立一維張量；
zeros	返回一個用標量值 0 填充的張量，其形狀由變數引數 *size 定義；
zeros_like	返回一個用標量值 0 填充的張量，大小與 input 相同；
ones	返回一個用標量值 1 填充的張量，其形狀由變數引數 *size 定義；
ones_like	返回一個用標量值 1 填充的張量，其大小與input 相同；
arange	返回大小為$\left\lceil\frac{\text { end-start }}{\text { step }}\right\rceil$的一維張量，生成區間 [start , end)，公差為 step；
range	返回大小為 $\left\lceil\frac{\text { end-start }}{\text { step }}\right\rceil +1$ 的一維張量值，從start到 end，步長為 step；
linspace	建立大小為 steps 的一維張量，其值從到 start 到 end 的均勻分佈；
logspace	建立大小為 steps 的一維張量，值從 ${{\text{{base}}}}^{{\text{{start}}}}$ 到 ${{\text{{base}}}}^{{\text{{end}}}}$ ；
eye	返回一個二維張量，其中對角線為 1，其他位置為 0；
empty	返回一個未初始化資料的張量；
empty_like	返回與 input 大小相同的未初始化張量；
empty_strided	返回一個充滿未初始化資料的張量；
full	建立一個大小為 size 的張量，值用 fill_value 填充；
full_like	返回一個與input 大小相同的張量，並用fill_value填充；
quantize_per_tensor	將浮點張量轉換為具有給定比例和零點的量化張量；
quantize_per_channel	將浮點張量轉換為具有給定比例和零點的每通道量化張量；
dequantize	通過反量化量化張量返回 fp32 張量；
complex	構造複數張量，其實部等於 real 虛部等於 imag；
polar	構造複數張量，元素是笛卡爾座標，對應於具有絕對值和角度的極座標；
heaviside	計算 中的每個元素的 Heaviside 階躍函式input；

索引、切片、連線、變異操作

Method	描述
cat	連線給定seq給定維度的張量序列；[ 預設axis = 0 ]
concat	別名 torch.cat()；
conj	返回input帶有翻轉共軛位的檢視；[ real 相等，imag 相反，考慮 is_conj() ]
chunk	將張量拆分為指定數量的塊；[ 不一定等於給定數量塊 ]
dsplit	將input具有三個或更多維度的張量深度拆分為多個張量；
column_stack	通過在 中水平堆疊張量來建立一個新張量 tensors；
dstack	按深度順序堆疊張量（沿第三軸）；
gather	沿 dim 指定的軸收集值；
hsplit	將input具有一個或多個維度的張量水平拆分為多個張量；
hstack	水平順序堆疊張量（按列）；
index_select	返回一個新的張量，沿指定軸、索引選擇；
masked_select	返回一個新的一維張量，根據 mask 中的 True 選擇 input 中的值；
movedim	將 input 的軸從 source 轉移到 destination ；
moveaxis	torch.movedim() 的別名；
narrow	返回一個新的張量，沿指定 dim ，選擇從 start 到 start+length 的元素 ；
nonzero	返回一個新的張量，將值不為 0 的座標給出；
permute	返回原始張量的檢視，input其尺寸已置換；
reshape	返回具有與input相同的資料和元素數量但具有指定形狀的張量；
row_stack	torch.vstack() 的別名；
scatter	異地版本torch.Tensor.scatter_() ；
scatter_add	異地版本torch.Tensor.scatter_add_() ；
split	根據 split_size_or_sections 將張量拆分為塊；
squeeze	返回一個張量，其中所有input大小為1的維度都已刪除；
stack	沿 dim 連線一系列張量；
swapaxes	torch.transpose() 的別名；
swapdims	torch.transpose() 的別名；
t	張量轉置；
take	從 input 返回具有給定索引處元素的新張量；
take_along_dim	從給定 input 的 1 維索引處選擇值；
tensor_split	根據 指定的索引或節數，將input一個張量拆分為多個子張量；
tile	通過重複 input 的元素構造一個張量。
transpose	返回一個張量，它是 的轉置版本input。
unbind	刪除軸 dim 下的張量維度，並返回新張量。
unsqueeze	返回一個插入到指定位置的尺寸為 1 的新張量。
vsplit	根據input將具有兩個或多個維度的張量垂直拆分為多個張量。
vstack	垂直（按行）按順序堆疊張量。
where	返回從x或y中選擇的元素的張量，具體取決於condition.

Generators

Method	描述
Generator	建立並返回一個生成器物件，該物件管理生成偽隨機數的演算法的狀態；

隨機抽樣

Method	描述
seed	將生成隨機數的種子設定為非確定性隨機數；
manual_seed	設定生成隨機數的種子；
initial_seed	返回用於生成隨機數的初始種子作為 Python long；
get_rng_state	以torch.ByteTensor 形式返回隨機數生成器狀態；
set_rng_state	設定隨機數生成器狀態；

分佈

Method	描述
bernoulli	從伯努利分佈中繪製二進位制隨機數（0 或 1）；
multinomial	返回一個張量，每一行包含num_samples從位於相應張量行中的多項概率分佈中取樣的索引；
normal	返回從給出均值和標準差的獨立正態分佈中抽取的隨機數張量；
poisson	返回與從泊松分佈中取樣的每個元素大小相同的張量；
rand	從區間上的均勻分佈返回一個填充有隨機數[ 0 ,1 )的張量
rand_like	返回一個大小相同的張量，其中input填充了區間上均勻分佈的隨機數[0, 1)；
randint	返回一個填充了隨機整數的張量，用[low ,high)填充的張量；
randint_like	返回一個與 Tensor 形狀相同的張量，[low，high）之間均勻生成的隨機整數；
randn	從均值為 0方差為1的正態分佈中返回一個填充隨機數的張量；
randn_like	返回一個大小相同的張量，填充了來自均值為 0 和方差為 1 的正態分佈的隨機數；
randperm	返回從 0 到 n-1 的整數的隨機排列；