torch张量

原文： https://pytorch.org/docs/stable/tensors.html

torch.Tensor 是包含单个数据类型元素的多维矩阵。

Torch 定义了 9 种 CPU 张量类型和 9 种 GPU 张量类型：

torch.Tensor 是默认张量类型(torch.FloatTensor）的别名。

可以使用 torch.tensor() 构造函数从 Python list或序列构造张量：

>>> 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() 始终复制data。 如果您具有张量data，而只想更改其requires_grad标志，请使用 requires_grad_() 或 detach() 以避免复制。 如果您有一个 numpy 数组并且想要避免复制，请使用 torch.as_tensor() 。

可以通过将 torch.dtype 和/或 torch.device 传递给构造函数或张量创建操作来构造特定数据类型的张量：

>>> 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')

张量的内容可以使用 Python 的索引和切片符号来访问和修改：

>>> 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() 从张量中获取包含单个值的 Python 数字：

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

可以使用requires_grad=True创建一个张量，以便 torch.autograd 对其进行记录操作以进行自动微分。

>>> 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]])

每个张量都有一个关联的torch.Storage，它保存其数据。 张量类提供了存储的多维跨度视图，并定义了数字运算。

注意

有关 torch.Tensor 的 torch.dtype ， torch.device 和 torch.layout 属性的更多信息，请参阅[ Tensor Attributes 。

注意

改变张量的方法用下划线后缀标记。 例如，torch.FloatTensor.abs_()在原位计算绝对值并返回修改后的张量，而torch.FloatTensor.abs()在新张量中计算结果。

注意

要更改现有张量的 torch.device 和/或 torch.dtype ，请考虑在张量上使用 to() 方法。

警告

torch.Tensor 的当前实现引入了内存开销，因此，在具有许多微小张量的应用程序中，它可能导致意外的高内存使用率。 如果是这种情况，请考虑使用一种大型结构。

class torch.Tensor

根据您的用例，创建张量的主要方法有几种。

• 要使用现有数据创建张量，请使用 torch.tensor() 。

• 要创建具有特定大小的张量，请使用torch.*张量创建操作(请参见 Creation Ops)。

• 要创建与另一个张量具有相同大小(和相似类型）的张量，请使用torch.*_like张量创建操作(请参见创建操作）。

• 要创建与其他张量具有相似类型但大小不同的张量，请使用tensor.new_*创建操作。

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

返回以data作为张量数据的新张量。 默认情况下，返回的张量与此张量具有相同的 torch.dtype 和 torch.device 。

警告

new_tensor() 始终复制data。 如果您有张量data并希望避免复制，请使用 torch.Tensor.requires_grad_() 或 torch.Tensor.detach() 。 如果您有一个 numpy 数组并且想要避免复制，请使用 torch.from_numpy() 。

警告

当数据是张量 x 时， new_tensor() 从传递的任何数据中读出“数据”，并构造一个叶子变量。 因此，tensor.new_tensor(x)等同于x.clone().detach()，tensor.new_tensor(x, requires_grad=True)等同于x.clone().detach().requires_grad_(True)。 建议使用clone()和detach()的等效项。

参数

• data (array_like )–返回的张量副本data。

• dtype (torch.dtype ，可选）– 返回张量的所需类型。 默认值：如果为 None，则与此张量相同的 torch.dtype 。

• device (torch.device ，可选）– 返回张量的所需设备。 默认值：如果为 None，则与此张量相同的 torch.device 。

• require_grad (bool ， 可选）– 返回的张量是否需要自动求导。 默认值：False。

例：

>>> 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

返回大小为 size 的张量，并用fill_value填充。 默认情况下，返回的张量与此张量具有相同的 torch.dtype 和 torch.device 。

参数

• fill_value (标量）–用来填充输出张量的数字。

• dtype (torch.dtype, optional) – 返回张量的所需类型。 默认值：如果为 None，则与此张量相同的 torch.dtype 。

• device (torch.device, optional) – 返回张量的所需设备。 默认值：如果为 None，则与此张量相同的 torch.device 。

• requires_grad (bool__, optional) – 返回的张量是否需要自动求导。 默认值：False。

例:

>>> 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

返回大小为 size 的张量，其中填充了未初始化的数据。 默认情况下，返回的张量具有与此张量相同的 torch.dtype 和 torch.device 。

参数

• dtype (torch.dtype, optional) –

• device (torch.device, optional) – 返回张量的所需设备。 默认值：如果为 None，则与此张量相同的 torch.device 。

• requires_grad (bool__, optional) – 返回的张量是否需要自动求导。 默认值：False。

例:

>>> 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

返回大小为 size 的张量，并用1填充。 默认情况下，返回的张量与此张量具有相同的 torch.dtype 和 torch.device 。

参数

• 大小 (python：int … )–定义输出张量形状的整数列表，元组或torch.Size。

• dtype (torch.dtype, optional) – 返回张量的所需类型。 默认: 如果是 None, 和 torch.dtype 一样

• device (torch.device, optional) – 返回张量所在的设备。 默认: 如果是 None, 和 torch.device 一样

• requires_grad (bool__, optional) – 返回的张量是否需要自动求导。 默认值：False。

例:

>>> 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

返回大小为 size 的张量，并用0填充。 默认情况下，返回的张量与此张量具有相同的 torch.dtype 和 torch.device 。

参数

• size (python:int…) – a list, tuple, or torch.Size of integers defining the shape of the output tensor.

• dtype (torch.dtype, optional) – 返回张量的所需类型。 默认值：如果为 None，则与此张量相同的 torch.dtype 。

• device (torch.device, optional) – 返回张量的所需设备。 默认值：如果为 None，则与此张量相同的 torch.device 。

• requires_grad (bool__, optional) – 返回的张量是否需要自动求导。 默认值：False。

例：

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

is_cuda

如果张量存储在 GPU 上，则为True，否则为False。

device

张量所在的 torch.device 。

grad

此属性默认为None，并在首次调用 backward() 计算self的梯度时成为张量。 然后，该属性将包含计算出的梯度以及 backward()返回的梯度值，然后进行梯度累加。

ndim

dim() 的别名

T

这个张量的尺寸是否颠倒了吗？

如果n是x中的尺寸数，则x.T等效于x.permute(n-1, n-2, ..., 0)。

abs() → Tensor

参见 torch.abs()

abs_() → Tensor

就地版本的 abs()

acos() → Tensor

参见 torch.acos()

acos_() → Tensor

就地版本的 acos()

add(value) → Tensor

add(value = 1，other）->张量

参见 torch.add()

add_(value) → Tensor

add_(value = 1，other）->张量

就地版本的 add()

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

参见 torch.addbmm()

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

就地版本的 addbmm()

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

参见 torch.addcdiv()

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

就地版本的 addcdiv()

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

参见 torch.addcmul()

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

就地版本的 addcmul()

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

参见 torch.addmm()

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

就地版本的 addmm()

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

参见 torch.addmv()

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

就地版本的 addmv()

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

参见 torch.addr()

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

就地版本的 addr()

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

参见 torch.allclose()

angle() → Tensor

参见 torch.angle()

apply_(callable) → Tensor

将函数callable应用于张量中的每个元素，并用callable返回的值替换每个元素。

注意

此功能仅适用于 CPU 张量，不应在需要高性能的代码段中使用。

argmax(dim=None, keepdim=False) → LongTensor

参见 torch.argmax()

argmin(dim=None, keepdim=False) → LongTensor

参见 torch.argmin()

argsort(dim=-1, descending=False) → LongTensor

参见：func： <cite>torch.argsort</cite>

asin() → Tensor

参见 torch.asin()

asin_() → Tensor

就地版本的 asin()

as_strided(size, stride, storage_offset=0) → Tensor

参见 torch.as_strided()

atan() → Tensor

参见 torch.atan()

atan2(other) → Tensor

参见 torch.atan2()

atan2_(other) → Tensor

就地版本的 atan2()

atan_() → Tensor

就地版本的 atan()

backward(gradient=None, retain_graph=None, create_graph=False)

计算当前张量的梯度 w.r.t. 图叶。

该图使用链式法则进行区分。 如果张量是非标量的(即其数据具有多个元素）并且需要梯度，则该函数还需要指定gradient。 它应该是匹配类型和位置的张量，其中包含微分函数 w.r.t 的梯度。 self。

此函数是叶子梯度累加-调用它之前可能需要将它们归零。

参数

• gradient (tensor Tensor None）– 梯度 w.r.t. 张量。 如果它是张量，除非create_graph为 True，否则它将自动转换为不需要 grad 的张量。 无法为标量张量或不需要等级的张量指定任何值。 如果 None 值可以接受，那么此参数是可选的。

• retian_graph (bool ， 可选）– 如果False，则用于计算等级的图形将被释放。 请注意，几乎在所有情况下都不需要将此选项设置为 True，并且通常可以以更有效的方式解决它。 默认为create_graph的值。

• create_graph (bool ， 可选）– 如果True，则将构造导数图，从而允许计算高阶导数产品。 默认为False。

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

参见 torch.baddbmm()

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

就地版本的 baddbmm()

bernoulli(*, generator=None) → Tensor

返回结果张量，其中每个$result[i]$从$Bernoulli(self[i])$中独立采样。 self必须具有浮点dtype，结果将具有相同的dtype。

参见 torch.bernoulli()

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

用$Bernoulli(p)$的独立样本填充self的每个位置。 self可以具有整数dtype。

bfloat16() → Tensor

self.bfloat16()等效于self.to(torch.bfloat16)。 参见 to() 。

bincount(weights=None, minlength=0) → Tensor

参见 torch.bincount()

bitwise_not() → Tensor

参见 torch.bitwise_not()

bitwise_not_() → Tensor

就地版本的 bitwise_not()

bitwise_xor() → Tensor

参见 torch.bitwise_xor()

bitwise_xor_() → Tensor

就地版本的 bitwise_xor()

bmm(batch2) → Tensor

参见 torch.bmm()

bool() → Tensor

self.bool()等效于self.to(torch.bool)。 参见 to() 。

byte() → Tensor

self.byte()等效于self.to(torch.uint8)。 参见 to() 。

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

用从柯西分布中得出的数字填充张量：

f(x)=\frac {1}{\pi}\frac {\sigma}{(x-median)^2+\sigma^2}

ceil() → Tensor

参见 torch.ceil()

ceil_() → Tensor

就地版本的 ceil()

char() → Tensor

self.char()等效于self.to(torch.int8)。 参见 to() 。

cholesky(upper=False) → Tensor

参见 torch.cholesky()

cholesky_inverse(upper=False) → Tensor

参见 torch.cholesky_inverse()

cholesky_solve(input2, upper=False) → Tensor

参见 torch.cholesky_solve()

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

参见 torch.chunk()

clamp(min, max) → Tensor

参见 torch.clamp()

clamp_(min, max) → Tensor

就地版本的 clamp()

clone() → Tensor

返回self张量的副本。 该副本的大小和数据类型与self相同。

注意

与 copy_()不同，此功能记录在计算图中。 传播到克隆张量的渐变将传播到原始张量。

contiguous() → Tensor

返回包含与self张量相同的数据的连续张量。 如果self张量是连续的，则此函数返回self张量。

copy_(src, non_blocking=False) → Tensor

将元素从src复制到self张量并返回self。

src张量必须与self张量一起广播。 它可以具有不同的数据类型，也可以位于不同的设备上。

参数

• src (tensor)–要从中复制的源张量

• non_blocking (bool )–如果True并且此副本位于 CPU 和 GPU 之间，则该副本可能相对于主机异步发生。 在其他情况下，此参数无效。

conj() → Tensor

参见 torch.conj()

cos() → Tensor

参见 torch.cos()

cos_() → Tensor

就地版本的 cos()

cosh() → Tensor

参见 torch.cosh()

cosh_() → Tensor

就地版本的 cosh()

cpu() → Tensor

返回此对象在 CPU 内存中的副本。

如果该对象已经在 CPU 内存中并且在正确的设备上，则不执行任何复制操作并返回原始对象。

cross(other, dim=-1) → Tensor

参见 torch.cross()

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

返回此对象在 CUDA 内存中的副本。

如果此对象已经在 CUDA 内存中并且在正确的设备上，则不执行任何复制，并返回原始对象。

参数

• device (torch.device) – 目标 GPU 设备。 默认为当前 CUDA 设备。

• non_blocking (bool ) – 如果True并且源位于固定内存中，则副本将相对于主机是异步的。 否则，该参数无效。 默认值：False。

cumprod(dim, dtype=None) → Tensor

参见 torch.cumprod()

cumsum(dim, dtype=None) → Tensor

参见 torch.cumsum()

data_ptr() → int

返回self张量的第一个元素的地址。

dequantize() → Tensor

给定量化的张量，对其进行反量化，然后返回反量化后的浮点张量。

det() → Tensor

参见 torch.det()

dense_dim() → int

如果self是稀疏的 COO 张量(即torch.sparse_coo布局），则返回密集尺寸的数量。 否则，将引发错误。

另请参见 Tensor.sparse_dim() 。

detach()

返回与当前图形分离的新 Tensor。

结果将永远不需要梯度。

注意

返回的 Tensor 与原始 Tensor 共享相同的存储。 可以看到对它们中的任何一个的就地修改，并且可能触发正确性检查中的错误。 重要说明：以前，就地大小/步幅/存储更改(例如 resize/_resize_as/set/_transpose) 返回的张量也会更新原始张量。 现在，这些就地更改将不再更新原始张量，而将触发错误。 对于稀疏张量：原位索引 / 值更改(例如 zero_/_copy/_add)将不会再更新原始张量， 而是触发错误。

detach_()

从创建它的图形中分离张量，使其成为一片叶子。 视图不能就地分离。

diag(diagonal=0) → Tensor

参见 torch.diag()

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

参见 torch.diag_embed()

diagflat(offset=0) → Tensor

参见 torch.diagflat()

diagonal(offset=0, dim1=0, dim2=1) → Tensor

参见 torch.diagonal()

fill_diagonal_(fill_value, wrap=False) → Tensor

填充具有至少 2 维的张量的主对角线。 当> 2 变暗时，所有输入尺寸必须相等。 此函数就地修改输入张量，并返回输入张量。

参数

• fill_value (标量）– 填充值

• wrap (bool ) – 对角线“包裹”在高列的 N 列之后。

例:

>>> a = torch.zeros(3, 3)
>>> a.fill_diagonal_(5)
tensor([[5., 0., 0.],
        [0., 5., 0.],
        [0., 0., 5.]])
>>> b = torch.zeros(7, 3)
>>> b.fill_diagonal_(5)
tensor([[5., 0., 0.],
        [0., 5., 0.],
        [0., 0., 5.],
        [0., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.]])
>>> c = torch.zeros(7, 3)
>>> c.fill_diagonal_(5, wrap=True)
tensor([[5., 0., 0.],
        [0., 5., 0.],
        [0., 0., 5.],
        [0., 0., 0.],
        [5., 0., 0.],
        [0., 5., 0.],
        [0., 0., 5.]])

digamma() → Tensor

参见 torch.digamma()

digamma_() → Tensor

就地版本的 digamma()

dim() → int

返回self张量的维数。

dist(other, p=2) → Tensor

参见 torch.dist()

div(value) → Tensor

参见 torch.div()

div_(value) → Tensor

就地版本的 div()

dot(tensor2) → Tensor

参见 torch.dot()

double() → Tensor

self.double()等效于self.to(torch.float64)。 参见 to() 。

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

参见 torch.eig()

element_size() → int

返回单个元素的大小(以字节为单位）。

例:

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

eq(other) → Tensor

参见 torch.eq()

eq_(other) → Tensor

就地版本的 eq()

equal(other) → bool

参见 torch.equal()

erf() → Tensor

参见 torch.erf()

erf_() → Tensor

就地版本的 erf()

erfc() → Tensor

参见 torch.erfc()

erfc_() → Tensor

就地版本的 erfc()

erfinv() → Tensor

参见 torch.erfinv()

erfinv_() → Tensor

就地版本的 erfinv()

exp() → Tensor

参见 torch.exp()

exp_() → Tensor

就地版本的 exp()

expm1() → Tensor

参见 torch.expm1()

expm1_() → Tensor

就地版本的 expm1()

expand(*sizes) → Tensor

返回self张量的新视图，其中单例尺寸扩展为更大的尺寸。

将-1 传递为尺寸的大小表示不更改该尺寸的大小。

Tensor 也可以扩展到更大的尺寸，并且新尺寸将附加在前面。 对于新尺寸，尺寸不能设置为-1。

扩展张量不会分配新的内存，而只会在现有张量上创建一个新视图，其中通过将stride设置为 0，将尺寸为 1 的维扩展为更大的尺寸。尺寸为 1 的任何维都可以扩展为 不分配新内存的任意值。

参数

*大小(torch大小 或 python：int … )–所需的扩展大小

警告

扩展张量的一个以上元素可以引用单个存储位置。 结果，就地操作(尤其是矢量化的操作）可能会导致错误的行为。 如果需要写张量，请先克隆它们。

例:

>>> 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 means not changing the size of that dimension
tensor([[ 1,  1,  1,  1],
        [ 2,  2,  2,  2],
        [ 3,  3,  3,  3]])

expand_as(other) → Tensor

将该张量扩展为与other相同的大小。 self.expand_as(other)等效于self.expand(other.size())。

有关expand的更多信息，请参见 expand() 。

参数

其他 (torch.Tensor)–结果张量的大小与other相同。

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

用从指数分布中绘制的元素填充self张量：

f(x)=\lambda e^{-\lambda x}

fft(signal_ndim, normalized=False) → Tensor

参见 torch.fft()

fill_(value) → Tensor

用指定值填充self张量。

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

参见 torch.flatten()

flip(dims) → Tensor

参见 torch.flip()

float() → Tensor

self.float()等效于self.to(torch.float32)。 参见 to() 。

floor() → Tensor

参见 torch.floor()

floor_() → Tensor

就地版本的 floor()

fmod(divisor) → Tensor

参见 torch.fmod()

fmod_(divisor) → Tensor

就地版本的 fmod()

frac() → Tensor

参见 torch.frac()

frac_() → Tensor

就地版本的 frac()

gather(dim, index) → Tensor

参见 torch.gather()

ge(other) → Tensor

参见 torch.ge()

ge_(other) → Tensor

就地版本的 ge()

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

用从几何分布中绘制的元素填充self张量：

f(X=k)=p^{k-1}(1-p)

geqrf() -> (Tensor, Tensor)

参见 torch.geqrf()

ger(vec2) → Tensor

参见 torch.ger()

get_device() -> Device ordinal (Integer)

对于 CUDA 张量，此函数返回张量所在的 GPU 的设备序号。 对于 CPU 张量，将引发错误。

例：

>>> x = torch.randn(3, 4, 5, device='cuda:0')
>>> x.get_device()
0
>>> x.cpu().get_device()  # RuntimeError: get_device is not implemented for type torch.FloatTensor

gt(other) → Tensor

参见 torch.gt()

gt_(other) → Tensor

就地版本的 gt()

half() → Tensor

self.half()等效于self.to(torch.float16)。 参见 to() 。

hardshrink(lambd=0.5) → Tensor

参见 torch.nn.functional.hardshrink()

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

参见 torch.histc()

ifft(signal_ndim, normalized=False) → Tensor

参见 torch.ifft()

imag() → Tensor

参见 torch.imag()

index_add_(dim, index, tensor) → Tensor

通过按index中给定的顺序添加索引，将 tensor 的元素累积到self张量中。 例如，如果dim == 0和index[i] == j，则将的第i行tensor 添加到self的第j行。

tensor 的 dim 尺寸必须与index的长度(必须为矢量）的尺寸相同，并且所有其他尺寸必须与self ]，否则将引发错误。

注意

使用 CUDA 后端时，此操作可能会导致不确定的行为，不容易关闭。 有关背景，请参见重现性的注释。

参数

• dim (python：int )–索引所沿的维度

• 索引 (LongTensor )– tensor 的索引

• 张量 (tensor)–张量包含要添加的值

例：

>>> 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_add(dim, index, tensor) → Tensor

torch.Tensor.index_add_() 的替代版本

index_copy_(dim, index, tensor) → Tensor

通过按index中给定的顺序选择索引，将 tensor 的元素复制到self张量中。 例如，如果dim == 0和index[i] == j，则将 tensor 的第i行复制到self的第j行。

The dimth dimension of tensor must have the same size as the length of index (which must be a vector), and all other dimensions must match self, or an error will be raised.

参数

• dim (python:int) – dimension along which to index

• index (LongTensor) – indices of tensor to select from

• 张量 (tensor)–张量包含要复制的值

例：

>>> 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_copy(dim, index, tensor) → Tensor

torch.Tensor.index_copy_() 的替代版本

index_fill_(dim, index, val) → Tensor

通过按index中给定的顺序选择索引，用值val填充self张量的元素。

参数

• dim (python:int) – dimension along which to index

• 索引 (LongTensor )–填写的self张量索引

• val (python：float )–要填充的值

例：:

>>> 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_fill(dim, index, value) → Tensor

torch.Tensor.index_fill_() 的替代版本

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

使用在 indices 中指定的索引(张量的元组）将张量value的值放入张量self。 表达式tensor.index_put_(indices, value)等效于tensor[indices] = value。 返回self。

如果accumulate为True，则将 tensor 中的元素添加到self中。 如果 accumulate 为False，则在索引包含重复元素的情况下行为未定义。

参数

• 索引(LongTensor 的元组）–用于索引<cite>自身</cite>的张量。

• 值 (tensor)–与<cite>自身</cite>相同类型的张量。

• 累积 (bool )–是否累积

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

index_put_() 的替代版本

index_select(dim, index) → Tensor

参见 torch.index_select()

indices() → Tensor

如果self是稀疏的 COO 张量(即torch.sparse_coo布局），则返回包含的索引张量的视图。 否则，将引发错误。

另请参见 Tensor.values() 。

注意

只能在合并的稀疏张量上调用此方法。 有关详细信息，请参见Tensor.coalesce()。

int() → Tensor

self.int()等效于self.to(torch.int32)。 参见 to() 。

int_repr() → Tensor

给定量化的 Tensor，self.int_repr()返回以 uint8_t 作为数据类型的 CPU Tensor，该数据类型存储给定 Tensor 的基础 uint8_t 值。

inverse() → Tensor

参见 torch.inverse()

irfft(signal_ndim, normalized=False, onesided=True, signal_sizes=None) → Tensor

参见 torch.irfft()

is_contiguous() → bool

如果self张量在内存中以 C 顺序连续，则返回 True。

is_floating_point() → bool

如果self的数据类型是浮点数据类型，则返回 True。

is_leaf

按照惯例，所有具有 requires_grad 即False的张量将是叶张量。

对于具有 requires_grad (即True）的张量，如果它们是由用户创建的，则它们将是叶张量。 这意味着它们不是运算的结果，因此grad_fn为“无”。

在调用 backward() 期间，仅叶子张量会填充其 grad 。 要为非叶张量填充 grad ，可以使用 retain_grad() 。

例：

>>> a = torch.rand(10, requires_grad=True)
>>> a.is_leaf
True
>>> b = torch.rand(10, requires_grad=True).cuda()
>>> b.is_leaf
False
# b was created by the operation that cast a cpu Tensor into a cuda Tensor
>>> c = torch.rand(10, requires_grad=True) + 2
>>> c.is_leaf
False
# c was created by the addition operation
>>> d = torch.rand(10).cuda()
>>> d.is_leaf
True
# d does not require gradients and so has no operation creating it (that is tracked by the autograd engine)
>>> e = torch.rand(10).cuda().requires_grad_()
>>> e.is_leaf
True
# e requires gradients and has no operations creating it
>>> f = torch.rand(10, requires_grad=True, device="cuda")
>>> f.is_leaf
True
# f requires grad, has no operation creating it

is_pinned()

如果该张量驻留在固定的内存中，则返回 true。

is_set_to(tensor) → bool

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

is_shared()

检查张量是否在共享内存中。

CUDA 张量始终为True。

is_signed() → bool

如果self的数据类型是带符号的数据类型，则返回 True。

is_sparse

item() → number

返回此张量的值作为标准 Python 数。 这仅适用于具有一个元素的张量。 对于其他情况，请参见 tolist() 。

此操作不可区分。

例：

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

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

参见 torch.kthvalue()

le(other) → Tensor

参见 torch.le()

le_(other) → Tensor

就地版本的 le()

lerp(end, weight) → Tensor

参见 torch.lerp()

lerp_(end, weight) → Tensor

就地版本的 lerp()

lgamma() → Tensor

参见 torch.lgamma()

lgamma_() → Tensor

就地版本的 lgamma()

log() → Tensor

参见 torch.log()

log_() → Tensor

就地版本的 log()

logdet() → Tensor

参见 torch.logdet()

log10() → Tensor

参见 torch.log10()

log10_() → Tensor

就地版本的 log10()

log1p() → Tensor

参见 torch.log1p()

log1p_() → Tensor

就地版本的 log1p()

log2() → Tensor

参见 torch.log2()

log2_() → Tensor

就地版本的 log2()

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

用对数正态分布中由给定平均值和标准偏差参数化的数字样本填充self张量。 请注意， mean 和 std 是基础正态分布的均值和标准偏差，而不是返回的正态分布：

f(x)=\frac {1}{x\sigma \sqrt {2\pi}}e^{-\frac {(lnx - \mu)^2}{2\sigma^2}}

logsumexp(dim, keepdim=False) → Tensor

参见 torch.logsumexp()

logical_not() → Tensor

参见 torch.logical_not()

logical_not_() → Tensor

就地版本的 logical_not()

logical_xor() → Tensor

参见 torch.logical_xor()

logical_xor_() → Tensor

就地版本的 logical_xor()

long() → Tensor

self.long()等效于self.to(torch.int64)。 参见 to() 。

lstsq(A) -> (Tensor, Tensor)

参见 torch.lstsq()

lt(other) → Tensor

参见 torch.lt()

lt_(other) → Tensor

就地版本的 lt()

lu(pivot=True, get_infos=False)

参见 torch.lu()

lu_solve(LU_data, LU_pivots) → Tensor

参见 torch.lu_solve()

map_(tensor, callable)

对self张量中的每个元素和给定的 tensor 应用callable，并将结果存储在self张量中。 self张量和给定的 tensor 必须是可广播的。

callable应具有签名：

def callable(a, b) -> number

masked_scatter_(mask, source)

在mask为 True 的位置将元素从source复制到self张量。 mask的形状必须是可广播的，并具有基础张量的形状。 source中的元素数量至少应与mask中的元素数量一样多。

参数

• 掩码 (BoolTensor)–布尔掩码

• 源 (tensor)–要从中复制的张量

注意

mask在self张量上运行，而不是在给定的source张量上运行。

masked_scatter(mask, tensor) → Tensor

torch.Tensor.masked_scatter_() 的替代版本

masked_fill_(mask, value)

用value填充self张量的元素，其中mask为 True。 mask的形状必须是可广播的，并具有基础张量的形状。

参数

• mask (BoolTensor) – the boolean mask

• 值 (python：float )–要填写的值

masked_fill(mask, value) → Tensor

torch.Tensor.masked_fill_() 的替代版本

masked_select(mask) → Tensor

参见 torch.masked_select()

matmul(tensor2) → Tensor

参见 torch.matmul()

matrix_power(n) → Tensor

参见 torch.matrix_power()

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

参见 torch.max()

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

参见 torch.mean()

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

参见 torch.median()

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

参见 torch.min()

mm(mat2) → Tensor

参见 torch.mm()

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

参见 torch.mode()

mul(value) → Tensor

参见 torch.mul()

mul_(value)

就地版本的 mul()

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

参见 torch.multinomial()

mv(vec) → Tensor

参见 torch.mv()

mvlgamma(p) → Tensor

参见 torch.mvlgamma()

mvlgamma_(p) → Tensor

就地版本的 mvlgamma()

narrow(dimension, start, length) → Tensor

参见 torch.narrow()

例：

>>> 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]])

narrow_copy(dimension, start, length) → Tensor

与 Tensor.narrow() 相同，只是返回副本而不是共享存储。 这主要用于稀疏张量，它们没有共享存储的窄方法。 用dimemsion > self.sparse_dim()调用narrow_copy`将返回缩小了相关密集尺寸的副本，并相应地更新了self.shape``。

ndimension() → int

Alias for dim()

ne(other) → Tensor

参见 torch.ne()

ne_(other) → Tensor

就地版本的 ne()

neg() → Tensor

参见 torch.neg()

neg_() → Tensor

就地版本的 neg()

nelement() → int

numel() 的别名

nonzero() → LongTensor

参见 torch.nonzero()

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

参见 torch.norm()

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

用由 mean 和 std 参数化的正态分布的元素样本填充self张量。

numel() → int

参见 torch.numel()

numpy() → numpy.ndarray

以 NumPy ndarray的形式返回self张量。 该张量和返回的ndarray共享相同的基础存储。 对self张量的更改将反映在ndarray中，反之亦然。

orgqr(input2) → Tensor

参见 torch.orgqr()

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

参见 torch.ormqr()

permute(*dims) → Tensor

置换此张量的尺寸。

参数

*dims (python：int … ) – 所需的维度顺序

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() → Tensor

将张量复制到固定的内存(如果尚未固定）。

pinverse() → Tensor

参见 torch.pinverse()

polygamma(n) → Tensor

参见 torch.polygamma()

polygamma_(n) → Tensor

就地版本的 polygamma()

pow(exponent) → Tensor

参见 torch.pow()

pow_(exponent) → Tensor

就地版本的 pow()

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

参见 torch.prod()

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

将 tensor 中的元素复制到索引指定的位置。 为了建立索引，将self张量视为一维张量。

If accumulate is True, the elements in tensor are added to self. If accumulate is False, the behavior is undefined if indices contain duplicate elements.

参数

• 索引 (LongTensor )–自身索引

• 张量 (tensor)–张量包含要复制的值

• accumulate (bool) – whether to accumulate into self

例：

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

参见 torch.qr()

qscheme() → torch.qscheme

返回给定 QTensor 的量化方案。

q_scale() → float

给定一个通过线性(仿射）量化量化的张量，返回基础量化器(）的比例尺。

q_zero_point() → int

给定一个通过线性(仿射）量化量化的张量，返回基础量化器(）的 zero_point。

q_per_channel_scales() → Tensor

给定通过线性(仿射）每通道量化进行量化的张量，返回基础量化器的比例的张量。 它具有与张量的相应尺寸(来自 q_per_channel_axis）匹配的元素数量。

q_per_channel_zero_points() → Tensor

给定一个通过线性(仿射）每通道量化量化的张量，返回基础量化器的 zero_points 张量。 它具有与张量的相应尺寸(来自 q_per_channel_axis）匹配的元素数量。

q_per_channel_axis() → int

给定通过线性(仿射）每通道量化量化的张量，返回在其上应用每通道量化的尺寸索引。

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

用从[from, to - 1]上的离散均匀分布采样的数字填充self张量。 如果未指定，则这些值通常仅受self张量的数据类型限制。 但是，对于浮点类型，如果未指定，范围将为[0, 2^mantissa]以确保每个值都是可表示的。 例如， <cite>torch.tensor(1，dtype = torch.double）.random_(）</cite>在[0, 2^53]中将是统一的。

reciprocal() → Tensor

参见 torch.reciprocal()

reciprocal_() → Tensor

就地版本的 reciprocal()

record_stream(stream)

确保在stream上排队的所有当前工作完成之前，张量存储器不会被其他张量重用。

注意

缓存分配器仅知道分配张量的流。 由于有了这种认识，它已经可以仅在一个流上正确管理张量的生命周期。 但是，如果在与原始流不同的流上使用张量，则分配器可能会意外地重用内存。 调用此方法可让分配器知道哪些流使用了张量。

register_hook(hook)

注册一个倒钩。

每当计算相对于张量的梯度时，都会调用该挂钩。 挂钩应具有以下签名：

hook(grad) -> Tensor or None

挂钩不应修改其自变量，但可以选择返回一个新的渐变，该渐变将代替 grad 使用。

此函数返回带有方法handle.remove()的句柄，该方法可将钩子从模块中移除。

例：

>>> v = torch.tensor([0., 0., 0.], requires_grad=True)
>>> h = v.register_hook(lambda grad: grad * 2)  # double the gradient
>>> v.backward(torch.tensor([1., 2., 3.]))
>>> v.grad
 2
 4
 6
[torch.FloatTensor of size (3,)]
>>> h.remove()  # removes the hook

remainder(divisor) → Tensor

参见 torch.remainder()

remainder_(divisor) → Tensor

就地版本的 remainder()

real() → Tensor

参见 torch.real()

renorm(p, dim, maxnorm) → Tensor

参见 torch.renorm()

renorm_(p, dim, maxnorm) → Tensor

就地版本的 renorm()

repeat(*sizes) → Tensor

沿指定尺寸重复此张量。

与 expand() 不同，此功能复制张量的数据。

警告

torch.repeat()的行为与 numpy.repeat 不同，但更类似于 numpy.tile 。 对于类似于 <cite>numpy.repeat</cite> 的运算符，请参见 torch.repeat_interleave() 。

参数

大小(torch大小 或 python：int … )–在每个维度上重复此张量的次数

例：

>>> 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])

repeat_interleave(repeats, dim=None) → Tensor

参见 torch.repeat_interleave() 。

requires_grad

如果需要为此张量计算梯度，则为True，否则为False。

注意

需要为张量计算梯度的事实并不意味着将填充 grad 属性，有关更多详细信息，请参见 is_leaf 。

requires_grad_(requires_grad=True) → Tensor

更改 autograd 是否应记录该张量上的操作：适当地设置此张量的 requires_grad 属性。 返回此张量。

requires_grad_() 的主要用例是告诉 autograd 在 Tensor tensor上开始记录操作。 如果tensor具有requires_grad=False(因为它是通过 DataLoader 获得的，或者需要进行预处理或初始化），则tensor.requires_grad_()将其设置为使 autograd 将开始在tensor上记录操作。

参数

require_grad (bool )–如果 autograd 应该在该张量上记录操作。 默认值：True。

例：

>>> # 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

返回具有与self相同的数据和元素数量但具有指定形状的张量。 如果shape与当前形状兼容，则此方法返回一个视图。 当可以返回视图时，请参见 torch.Tensor.view() 。

参见 torch.reshape()

参数

形状 (python：ints 的元组 或 python：int … )–所需的形状

reshape_as(other) → Tensor

以与other相同的形状返回此张量。 self.reshape_as(other)等效于self.reshape(other.sizes())。 如果other.sizes()与当前形状兼容，则此方法返回视图。 何时可以返回视图，请参见 torch.Tensor.view() 。

有关reshape的更多信息，请参见 reshape() 。

参数

其他 (torch.Tensor)–结果张量具有与other相同的形状。

resize_(*sizes) → Tensor

将self张量调整为指定大小。 如果元素数量大于当前存储大小，那么将调整基础存储的大小以适合新的元素数量。 如果元素数较小，则基础存储不会更改。 现有元素将保留，但任何新内存均未初始化。

警告

这是一种底层方法。 将存储重新解释为 C 连续的，而忽略当前步幅(除非目标大小等于当前大小，在这种情况下，张量保持不变）。 对于大多数目的，您将改为使用 view() (检查连续性），或使用 reshape() (如果需要，可复制数据）。 要使用自定义步幅就地更改大小，请参见 set_() 。

参数

大小(torch大小 或 python：int … )–所需大小

例：

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

resize_as_(tensor) → Tensor

将self张量调整为与指定的 tensor 相同的大小。 这等效于self.resize_(tensor.size())。

retain_grad()

为非叶张量启用.grad 属性。

rfft(signal_ndim, normalized=False, onesided=True) → Tensor