Lesson1——Tensor

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；