後文主要是對pytorch官網的文件的總結。
程式碼來自pytorch中文API

torch.squeeze(input, dim=None, out=None)

將輸入張量形狀中的1 去除並返回。 如果輸入是形如(A×1×B×1×C×1×D)，那麼輸出形狀就為： (A×B×C×D)。
當給定dim時，那麼擠壓操作只在給定維度上。例如，輸入形狀為: (A×1×B),squeeze(input, 0) 將會保持張量不變，只有用squeeze(input, 1)，形狀會變成(A×B)。
注意：返回張量與輸入張量共享記憶體，所以改變其中一個的內容會改變另一個。

>>> x = torch.zeros(2,1,2,1,2)
>>> x.size()
(2L, 1L, 2L, 1L, 2L)
>>> y = torch.squeeze(x)
>>> y.size()
(2L, 2L, 2L)
>>> y = torch.squeeze(x, 0)
>>> y.size()
(2L, 1L, 2L, 1L, 2L)
>>> y = torch.squeeze(x, 1)
>>> y.size()
(2L, 2L, 1L, 2L)

torch.t(input, out=None) → Tensor

輸入一個矩陣（2維張量），並轉置0, 1維。 可以被視為函式transpose(input, 0, 1)的簡寫函式。

>>> x = torch.randn(2, 3)
>>> x
 0.4834  0.6907  1.3417
-0.1300  0.5295  0.2321
[torch.FloatTensor of size 2x3]

>>> torch.t(x)
 0.4834 -0.1300
 0.6907  0.5295
 1.3417  0.2321
[torch.FloatTensor of size 3x2]

torch.unsqueeze(input, dim, out=None)

返回一個新的張量，對輸入的制定位置插入維度 1。
如果dim為負，則將會被轉化dim+input.dim()+1。

>>> x = torch.Tensor([1, 2, 3, 4])
>>> torch.unsqueeze(x, 0)
 1  2  3  4
[torch.FloatTensor of size 1x4]
>>> torch.unsqueeze(x, 1)
 1
 2
 3
 4
[torch.FloatTensor of size 4x1]

torch.ones(*sizes, out=None) → Tensor

返回一個全為1 的張量，形狀由可變引數sizes定義。

torch.rand(*sizes, out=None) → Tensor

返回一個張量，包含了從區間[0,1)的均勻分佈中抽取的一組隨機數，形狀由可變引數sizes 定義

torch.randn(*sizes, out=None) → Tensor

返回一個張量，包含了從標準正態分佈(均值為0，方差為 1，即高斯白噪聲)中抽取一組隨機數，形狀由可變引數sizes定義。

torch.zeros(*sizes, out=None) → Tensor

返回一個全為標量 0 的張量，形狀由可變引數sizes 定義。

torch.cat(inputs, dimension=0) → Tensor

在給定維度上對輸入的張量序列seq 進行連線操作。
torch.cat()可以看做 torch.split() 和 torch.chunk()的反操作。

>>> x = torch.randn(2, 3)
>>> x
 0.5983 -0.0341  2.4918
 1.5981 -0.5265 -0.8735
[torch.FloatTensor of size 2x3]

>>> torch.cat((x, x, x), 0)
 0.5983 -0.0341  2.4918
 1.5981 -0.5265 -0.8735
 0.5983 -0.0341  2.4918
 1.5981 -0.5265 -0.8735
 0.5983 -0.0341  2.4918
 1.5981 -0.5265 -0.8735
[torch.FloatTensor of size 6x3]

>>> torch.cat((x, x, x), 1)
 0.5983 -0.0341  2.4918  0.5983 -0.0341  2.4918  0.5983 -0.0341  2.4918
 1.5981 -0.5265 -0.8735  1.5981 -0.5265 -0.8735  1.5981 -0.5265 -0.8735
[torch.FloatTensor of size 2x9]

torch.stack(sequence, dim=0)

沿著一個新維度對輸入張量序列進行連線。 序列中所有的張量都應該為相同形狀。

torch.normal()

返回一個張量，包含從給定引數means,std的離散正態分佈中抽取隨機數。 均值means是一個張量，包含每個輸出元素相關的正態分佈的均值。 std是一個張量，包含每個輸出元素相關的正態分佈的標準差。 均值和標準差的形狀不須匹配，但每個張量的元素個數須相同。

引數:

• means (Tensor) – 均值
• std (Tensor) – 標準差
• out (Tensor) – 可選的輸出張量

torch.normal(means=torch.arange(1, 11), std=torch.arange(1, 0, -0.1))

 1.5104
 1.6955
 2.4895
 4.9185
 4.9895
 6.9155
 7.3683
 8.1836
 8.7164
 9.8916
[torch.FloatTensor of size 10]

torch.mean(input) → float

返回輸入張量所有元素的均值。

>>> a = torch.randn(1, 3)
>>> a
-0.2946 -0.9143  2.1809
[torch.FloatTensor of size 1x3]
>>> torch.mean(a)
0.32398951053619385

torch.Tensor

char()

將tensor元素改為char型別

clone() → Tensor

返回與原tensor有相同大小和資料型別的tensor

contiguous() → Tensor

返回一個記憶體連續的有相同資料的tensor，如果原tensor記憶體連續則返回原tensor

dim() → int

返回tensor的維數

expand(*sizes)

返回tensor的一個新檢視，單個維度擴大為更大的尺寸。 tensor也可以擴大為更高維，新增加的維度將附在前面。 擴大tensor不需要分配新記憶體，只是僅僅新建一個tensor的檢視，其中通過將stride設為0，一維將會擴充套件位更高維。任何一個一維的在不分配新記憶體情況下可擴充套件為任意的數值。
sizes(torch.Size or int...)-需要擴充套件的大小

>>> 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]

numpy() → ndarray

將該tensor以NumPy的形式返回ndarray，兩者共享相同的底層記憶體。原tensor改變後會相應的在ndarray有反映，反之也一樣。

repeat(*sizes)

沿著指定的維度重複tensor。 不同於expand()，本函式複製的是tensor中的資料。
*sizes (torch.Size ot int...)-沿著每一維重複的次數。

>>> 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])

view(*args) → Tensor

返回一個有相同資料但大小不同的tensor。 返回的tensor必須有與原tensor相同的資料和相同數目的元素，但可以有不同的大小。一個tensor必須是連續的contiguous()才能被檢視。

>>> 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)

返回被視作與給定的tensor相同大小的原tensor。 等效於：

self.view(tensor.size())