Tensor

Method	描述
`is_tensor(obj)`	如果 obj 是 PyTorch 张量，则返回 True ；
`is_storage(obj)`	如果 obj 是 PyTorch 存储对象，则返回 True ；[`torch.storage()` ]
`is_complex(input)`	`input`如果的数据类型是复杂数据类型，则返回 True ；
`is_conj(input)`	如果 `input` 是共轭张量，则返回 True ，即其共轭位设置为 `True`；
`is_floating_point(input)`	如果 `input` 的数据类型是浮点数据类型，则返回 True ；
`is_nonzero(input)`	`input` 如果是单个张量且类型转换后不等于0，则返回 True ；
`set_default_dtype(d)`	将默认浮点 dtype 设置为`d`；[ `dtype` 查看类型]
`get_default_dtype()`	获取当前的默认浮点数 `torch.dtype`；[默认是 `torch.float32` ]
`set_default_tensor_type(t)`	将默认 `torch.Tensor` 类型设置为浮点张量类型 `t`；
`numel(input)`	返回 `input` 张量中元素的总数；[考虑 tensor.shape 的各个维度相乘]
`set_printoptions`	设置输出格式；
`set_flush_denormal(model)`	禁用 CPU 上的非规范浮点数；[处理精度问题，False 则完整输出]

创建操作

Method	描述
`tensor`	用构造一个张量`data`；
`sparse_coo_tensor`	在给定索引处构造一个具有指定值的 COO(rdinate) 格式的稀疏张量；
`as_tensor`	将数据转换为torch.Tensor ；
`as_strided`	创建具有指定大小、步幅和 storage_offset 的现有 torch.Tensor 输入的视图；
`from_numpy`	从 numpy.ndarray 创建一个张量；
`frombuffer`	从实现 Python 缓冲区协议的对象创建一维张量；
`zeros`	返回一个用标量值 0 填充的张量，其形状由变量参数 `*size` 定义；
`zeros_like`	返回一个用标量值 0 填充的张量，大小与 `input` 相同；
`ones`	返回一个用标量值 1 填充的张量，其形状由变量参数 `*size` 定义；
`ones_like`	返回一个用标量值 1 填充的张量，其大小与`input` 相同；
`arange`	返回大小为$\left\lceil\frac{\text { end-start }}{\text { step }}\right\rceil$的一维张量，生成区间 [start , end)，公差为 step；
`range`	返回大小为 $\left\lceil\frac{\text { end-start }}{\text { step }}\right\rceil +1$ 的一维张量值，从`start`到 `end`，步长为 `step`；
`linspace`	创建大小为 `steps` 的一维张量，其值从到 `start` 到 end 的均匀分布；
`logspace`	创建大小为 `steps` 的一维张量，值从 ${{\text{{base}}}}^{{\text{{start}}}}$ 到 ${{\text{{base}}}}^{{\text{{end}}}}$ ；
`eye`	返回一个二维张量，其中对角线为 1，其他位置为 0；
`empty`	返回一个未初始化数据的张量；
`empty_like`	返回与 `input` 大小相同的未初始化张量；
`empty_strided`	返回一个充满未初始化数据的张量；
`full`	创建一个大小为 `size` 的张量，值用 `fill_value` 填充；
`full_like`	返回一个与`input` 大小相同的张量，并用`fill_value`填充；
`quantize_per_tensor`	将浮点张量转换为具有给定比例和零点的量化张量；
`quantize_per_channel`	将浮点张量转换为具有给定比例和零点的每通道量化张量；
`dequantize`	通过反量化量化张量返回 fp32 张量；
`complex`	构造复数张量，其实部等于 real 虚部等于 `imag`；
`polar`	构造复数张量，元素是笛卡尔坐标，对应于具有绝对值和角度的极坐标；
`heaviside`	计算中的每个元素的 Heaviside 阶跃函数`input`；

索引、切片、连接、变异操作

Method	描述
`cat`	连接给定`seq`给定维度的张量序列；[ 默认axis = 0 ]
`concat`	别名 `torch.cat()`；
`conj`	返回`input`带有翻转共轭位的视图；[ real 相等，imag 相反，考虑 is_conj() ]
`chunk`	将张量拆分为指定数量的块；[ 不一定等于给定数量块 ]
`dsplit`	将`input`具有三个或更多维度的张量深度拆分为多个张量；
`column_stack`	通过在中水平堆叠张量来创建一个新张量 tensors；
`dstack`	按深度顺序堆叠张量（沿第三轴）；
`gather`	沿 dim 指定的轴收集值；
`hsplit`	将`input`具有一个或多个维度的张量水平拆分为多个张量；
`hstack`	水平顺序堆叠张量（按列）；
`index_select`	返回一个新的张量，沿指定轴、索引选择；
`masked_select`	返回一个新的一维张量，根据 mask 中的 True 选择 input 中的值；
`movedim`	将 input 的轴从 source 转移到 destination ；
`moveaxis`	`torch.movedim()` 的别名；
`narrow`	返回一个新的张量，沿指定 dim ，选择从 start 到 start+length 的元素；
`nonzero`	返回一个新的张量，将值不为 0 的坐标给出；
`permute`	返回原始张量的视图，`input`其尺寸已置换；
`reshape`	返回具有与`input`相同的数据和元素数量但具有指定形状的张量；
`row_stack`	`torch.vstack()` 的别名；
`scatter`	异地版本`torch.Tensor.scatter_()` ；
`scatter_add`	异地版本`torch.Tensor.scatter_add_()` ；
`split`	根据 split_size_or_sections 将张量拆分为块；
`squeeze`	返回一个张量，其中所有`input`大小为1的维度都已删除；
`stack`	沿 dim 连接一系列张量；
`swapaxes`	`torch.transpose()` 的别名；
`swapdims`	`torch.transpose()` 的别名；
`t`	张量转置；
`take`	从 input 返回具有给定索引处元素的新张量；
`take_along_dim`	从给定 input 的 1 维索引处选择值；
`tensor_split`	根据指定的索引或节数，将`input`一个张量拆分为多个子张量；
`tile`	通过重复 input 的元素构造一个张量。
`transpose`	返回一个张量，它是的转置版本`input`。
`unbind`	删除轴 dim 下的张量维度，并返回新张量。
`unsqueeze`	返回一个插入到指定位置的尺寸为 1 的新张量。
`vsplit`	根据`input`将具有两个或多个维度的张量垂直拆分为多个张量。
`vstack`	垂直（按行）按顺序堆叠张量。
`where`	返回从`x`或`y`中选择的元素的张量，具体取决于`condition`.

Generators

Method	描述
`Generator`	创建并返回一个生成器对象，该对象管理生成伪随机数的算法的状态；

随机抽样

Method	描述
`seed`	将生成随机数的种子设置为非确定性随机数；
`manual_seed`	设置生成随机数的种子；
`initial_seed`	返回用于生成随机数的初始种子作为 Python long；
`get_rng_state`	以torch.ByteTensor 形式返回随机数生成器状态；
`set_rng_state`	设置随机数生成器状态；

分布

Method	描述
`bernoulli`	从伯努利分布中绘制二进制随机数（0 或 1）；
`multinomial`	返回一个张量，每一行包含`num_samples`从位于相应张量行中的多项概率分布中采样的索引；
`normal`	返回从给出均值和标准差的独立正态分布中抽取的随机数张量；
`poisson`	返回与从泊松分布中采样的每个元素大小相同的张量；
`rand`	从区间上的均匀分布返回一个填充有随机数[ 0 ,1 )的张量
`rand_like`	返回一个大小相同的张量，其中`input`填充了区间上均匀分布的随机数[0, 1)；
`randint`	返回一个填充了随机整数的张量，用[low ,high)填充的张量；
`randint_like`	返回一个与 Tensor 形状相同的张量，[low，high）之间均匀生成的随机整数；
`randn`	从均值为 0方差为1的正态分布中返回一个填充随机数的张量；
`randn_like`	返回一个大小相同的张量，填充了来自均值为 0 和方差为 1 的正态分布的随机数；
`randperm`	返回从 0 到 n-1 的整数的随机排列；

巴特西

Lesson1——Tensor

Tensor

创建操作

索引、切片、连接、变异操作

Generators

随机抽样

分布

最新文章

热门文章