Skip to content

Torch

torch包含了多维张量的数据结构以及基于其上的多种数学运算。此外,它也提供了多种实用工具,其中一些可以更有效地对张量和任意类型进行序列化的工具。

它具有 CUDA 的对应实现,可以在NVIDIA GPU上进行张量运算(计算能力>=3.0)。

张量 Tensors

torch.is_tensor(obj) 

判断是否为张量,如果是 pytorch 张量,则返回 True

  • 参数: obj (Object) – 判断对象
torch.is_storage(obj) 

判断是否为 pytorch Storage,如何是,则返回 True

  • 参数: input (Object) – 判断对象
torch.set_default_tensor_type(t) 
torch.numel(input)->int 

返回input 张量中的元素个数

  • 参数: input (Tensor) – 输入张量

例子:

>>> a = torch.randn(1,2,3,4,5)
>>> torch.numel(a)
120
>>> a = torch.zeros(4,4)
>>> torch.numel(a)
16 
torch.set_printoptions(precision=None, threshold=None, edgeitems=None, linewidth=None, profile=None) 

设置打印选项。 完全参考自 Numpy

参数:

  • precision – 浮点数输出的精度位数 (默认为 8 )
  • threshold – 阈值,触发汇总显示而不是完全显示(repr)的数组元素的总数 (默认为 1000)
  • edgeitems – 每个维度的开头和结尾的摘要中的数组项目数(默认为 3)。
  • linewidth – 用于插入行间隔的每行字符数(默认为 80)。阈值矩阵将忽略此参数。
  • profile – pretty 打印的完全默认值。 可以覆盖上述所有选项 (默认为 short, full)

创建操作 Creation Ops

torch.eye(n, m=None, out=None) 

返回一个 2 维张量,对角线数字为 1,其它位置为 0

参数:

  • n (int) – 行数
  • m (int, 可选) – 列数.如果为 None,则默认为n
  • out (Tensor,可选) - 输出张量

返回值: 2 维张量,对角线为 1,其它为 0

返回类型: Tensor

例子:

>>> torch.eye(3)
 1  0  0
 0  1  0
 0  0  1
[torch.FloatTensor of size 3x3] 
torch.from_numpy(ndarray) → Tensor 

numpy.ndarray转换为Tensor。 返回的张量 tensor 和 numpy 的 ndarray 共享同一内存空间。修改一个会导致另外一个也被修改。返回的张量不能调整大小。

例子:

>>> a = numpy.array([1, 2, 3])
>>> t = torch.from_numpy(a)
>>> t
torch.LongTensor([1, 2, 3])
>>> t[0] = -1
>>> a
array([-1,  2,  3]) 
torch.linspace(start, end, steps=100, out=None) → Tensor 

返回 start 和 end 之间长度为steps的一维张量 参数:

  • start (float) – 点集的起始值
  • end (float) – 点集的最终值
  • steps (int) – 在startend间的采样数,即返回多少个数
  • out (Tensor, 可选的) – 结果张量

例子:

>>> torch.linspace(1.0,10.0,steps=5,out=None)

  1.0000
  3.2500
  5.5000
  7.7500
 10.0000
[torch.FloatTensor of size 5]

>>> torch.linspace(-10, 10, steps=5)

-10
 -5
  0
  5
 10
[torch.FloatTensor of size 5]

>>> torch.linspace(start=-10, end=10, steps=5)

-10
 -5
  0
  5
 10
[torch.FloatTensor of size 5] 
torch.logspace(start, end, steps=100, out=None) → Tensor 

返回一个 1 维张量,包含在区间 10^start 和 10^end 上以对数刻度均匀间隔的steps个点。 输出 1 维张量的长度为steps

参数:

  • start (float) – 该点集的起始点
  • end (float) – 该点集的最终值
  • steps (int) – 在startend间生成的样本数
  • out (Tensor, 可选) – 结果张量

例子:

>>> torch.logspace(start=-10, end=10, steps=5)

 1.0000e-10
 1.0000e-05
 1.0000e+00
 1.0000e+05
 1.0000e+10
[torch.FloatTensor of size 5]

>>> torch.logspace(start=0.1, end=1.0, steps=5)

  1.2589
  2.1135
  3.5481
  5.9566
 10.0000
[torch.FloatTensor of size 5] 
torch.ones(*sizes, out=None) → Tensor 

返回一个全为 1 的张量,形状由可变参数sizes定义。

参数:

  • sizes (int...) – 整数序列,定义了输出形状,如:(5,5),(2)
  • out (Tensor, 可选) – 结果张量

例子:

>>> torch.ones(2, 3)

 1  1  1
 1  1  1
[torch.FloatTensor of size 2x3]

>>> torch.ones(5)

 1
 1
 1
 1
 1
[torch.FloatTensor of size 5] 
torch.rand(*sizes, out=None) → Tensor 

返回一个张量,填充在[0,1]区间的一组均匀分布随机数。 Tensor 的形状由变量sizes定义。

参数:

  • sizes (int...) – 整数序列,定义了输出形状
  • out (Tensor, 可选) - 结果张量

例子:

>>> torch.rand(4)

 0.9193
 0.3347
 0.3232
 0.7715
[torch.FloatTensor of size 4]

>>> torch.rand(2, 3,out=None)

 0.5010  0.5140  0.0719
 0.1435  0.5636  0.0538
[torch.FloatTensor of size 2x3] 
torch.randn(*sizes, out=None) → Tensor 

返回一个张量,包含了从正态分布(均值为 0,方差为 1,即高斯白噪声)中抽取一组随机数。 Tensor 的形状由变量sizes定义。

参数:

  • sizes (int...) – 整数序列,定义了输出形状
  • `out (Tensor, 可选) - 结果张量

例子::

>>> torch.randn(4)

-0.1145
 0.0094
-1.1717
 0.9846
[torch.FloatTensor of size 4]

>>> torch.randn(2, 3)

 1.4339  0.3351 -1.0999
 1.5458 -0.9643 -0.3558
[torch.FloatTensor of size 2x3] 
torch.randperm(n, out=None) → LongTensor 

输入参数n,返回一个从0n -1的随机整数排列。

参数:

  • n(int) – 上限(独占),即最大值

例子:

>>> torch.randperm(4)

 2
 1
 3
 0
[torch.LongTensor of size 4] 
torch.arange(start, end, step=1, out=None) → Tensor 

返回一个 1 维张量,长度为 floor((end−start)/step),floor 代表向下取整。包含从startend,以step为步长的一组序列值(默认步长为 1)。

参数:

  • start (float) – 该点集的起始点
  • end (float) – 该点集的终止点
  • step (float) – 相邻点的间隔大小
  • out (Tensor, 可选的) – 结果张量

例子:

>>> torch.arange(1, 4)

 1
 2
 3
[torch.FloatTensor of size 3]

>>> torch.arange(1, 2.5, 0.5)

 1.0000
 1.5000
 2.0000
[torch.FloatTensor of size 3] 
torch.range(start, end, step=1, out=None) → Tensor 

返回一个 1 维张量,长度为 floor((end−start)/step)+1,其中 floor 代表向下取整数。从start开始,end为结尾,以step为步长的一组值。 step 是两个值之间的间隔,即 Xi+1=Xi+step

参数:

  • start (float) – 该点集的起始点
  • end (float) – 该点集的最终值
  • step (int) – 相邻点之间的间隔大小
  • out (Tensor, 可选的) – 结果张量

例子:

>>> torch.range(1, 4)

 1
 2
 3
 4
[torch.FloatTensor of size 4]

>>> torch.range(1, 4, 0.5)

 1.0000
 1.5000
 2.0000
 2.5000
 3.0000
 3.5000
 4.0000
[torch.FloatTensor of size 7] 
torch.zeros(*sizes, out=None) → Tensor 

返回一个全 0 的张量,形状由可变参数sizes定义。

参数:

  • sizes (int...) – 整数序列,定义了输出形状
  • out (Tensor, 可选) – 结果张量

例子:

>>> torch.zeros(2, 3)

 0  0  0
 0  0  0
[torch.FloatTensor of size 2x3]

>>> torch.zeros(5)

 0
 0
 0
 0
 0
[torch.FloatTensor of size 5] 

索引,切片,连接,变异操作

torch.cat(seq, dim=0, out=None) → Tensor 

在给定维度上对输入的张量序列seq 进行连接操作。

torch.cat()可以看做 torch.split()torch.chunk()的逆运算。

cat()函数可以通过下面例子很好的的理解。

参数:

  • seq(Tensors 的序列) - 可以是相同类型的 Tensor 的任何 python 序列。
  • dim(int,可选) - 张量连接的尺寸
  • out(Tensor,可选) - 输出参数

    例子:

    ```py >>> 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]

 ```python
torch.chunk(tensor, chunks, dim=0)
```pypy

将张量沿着给定维度分解成的多个块。

参数:

*   tensor (Tensor) – 待分块的输入张量
*   chunks (int) – 分块的个数
*   dim (int) – 沿着此维度进行分块 

torch.gather(input, dim, index, out=None) → Tensor

 沿给定轴`dim`,将输入索引张量`index`指定位置的值进行聚合。

对一个 3 维张量,输出可以定义为: 

out[i][j][k] = tensor[index[i][j][k]][j][k] # dim=0 out[i][j][k] = tensor[i][index[i][j][k]][k] # dim=1 out[i][j][k] = tensor[i][j][index[i][j][k]] # dim=3

 如果输入是一个 n 维张量((x0,x1...,xi−1,xi,xi+1,...,xn−1)和暗=我,然后指数必须是一个 n 维张量的大小(x0,x1,...,xi−1,y,xi+1,...,xn−1)其中 y > = 1 和有同样大小的指标。

参数:

*   input(Tensor) - 源张量
*   dim(int) - 要索引的轴
*   index(LongTensor) - 要收集的元素的索引
*   out(Tensor,可选) - 目的张量

例子: 

t = torch.Tensor([[1,2],[3,4]]) torch.gather(t, 1, torch.LongTensor([[0,0],[1,0]])) 1 1 4 3 [torch.FloatTensor of size 2x2] ```pypy

torch.index_select(input, dim, index, out=None) → Tensor
```pypy

返回一个新的张量,其索引 input 张量沿尺寸 dim 使用的条目中 index 这是一个 LongTensor。

返回的 Tensor 具有与原始 Tensor 相同数量的尺寸。

注意: 返回的张量不与原始张量共享内存空间。

参数:

*   input (Tensor) – 输入张量
*   dim (int) – 索引的轴
*   index (LongTensor) – 包含索引下标的一维张量
*   out (Tensor, 可选的) – 目标张量

例子: 

x = torch.randn(3, 4) x

1.2045 2.4084 0.4001 1.1372 0.5596 1.5677 0.6219 -0.7954 1.3635 -1.2313 -0.5414 -1.8478 [torch.FloatTensor of size 3x4]

indices = torch.LongTensor([0, 2]) torch.index_select(x, 0, indices)

1.2045 2.4084 0.4001 1.1372 1.3635 -1.2313 -0.5414 -1.8478 [torch.FloatTensor of size 2x4]

torch.index_select(x, 1, indices)

1.2045 0.4001 0.5596 0.6219 1.3635 -0.5414 [torch.FloatTensor of size 3x2]

 * * * 

torch.masked_select(input, mask, out=None) → Tensor

 根据掩码张量`mask`中的二元值,取输入张量中的指定项( `mask`为一个 _ByteTensor_),将取值返回到一个新的 1D 张量,

张量 `mask`须跟`input`张量有相同数量的元素数目,但形状或维度不需要相同。 注意: 返回的张量不与原始张量共享内存空间。

参数:

*   input (Tensor) – 输入张量
*   mask (ByteTensor) – 掩码张量,包含了二元索引值
*   out (Tensor, 可选的) – 目标张量

例子: 

x = torch.randn(3, 4) x

1.2045 2.4084 0.4001 1.1372 0.5596 1.5677 0.6219 -0.7954 1.3635 -1.2313 -0.5414 -1.8478 [torch.FloatTensor of size 3x4]

indices = torch.LongTensor([0, 2]) torch.index_select(x, 0, indices)

1.2045 2.4084 0.4001 1.1372 1.3635 -1.2313 -0.5414 -1.8478 [torch.FloatTensor of size 2x4]

torch.index_select(x, 1, indices)

1.2045 0.4001 0.5596 0.6219 1.3635 -0.5414 [torch.FloatTensor of size 3x2]

 ### torch.nonzero 

torch.nonzero(input, out=None) → LongTensor

 返回一个包含输入`input`中非零元素索引的张量。输出张量中的每行包含输入中非零元素的索引。

如果输入`input`有`n`维,则输出的索引张量`output`的形状为 z x n, 这里 z 是输入张量`input`中所有非零元素的个数。

参数:

*   input (Tensor) – 源张量
*   out (LongTensor, 可选的) – 包含索引值的结果张量

例子: 

torch.nonzero(torch.Tensor([1, 1, 1, 0, 1]))

0 1 2 4 [torch.LongTensor of size 4x1]

torch.nonzero(torch.Tensor([[0.6, 0.0, 0.0, 0.0], ... [0.0, 0.4, 0.0, 0.0], ... [0.0, 0.0, 1.2, 0.0], ... [0.0, 0.0, 0.0,-0.4]]))

0 0 1 1 2 2 3 3 [torch.LongTensor of size 4x2]

 ### torch.split 

torch.split(tensor, split_size, dim=0)

 将输入张量分割成相等形状的 chunks(如果可分)。 如果沿指定维的张量形状大小不能被`split_size` 整分, 则最后一个分块会小于其它分块。

参数:

*   tensor (Tensor) – 待分割张量
*   split_size (int) – 单个分块的形状大小
*   dim (int) – 沿着此维进行分割

### torch.squeeze 

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

 将输入张量形状中的`1` 去除并返回。 如果输入是形如\((A \times 1\times B \times 1 \times C \times 1 \times D) \),那么输出形状就为: \((A \times B \times C \times D) \)

当给定`dim`时,那么挤压操作只在给定维度上。例如,输入形状为: \((A \times 1 \times B) \), `squeeze(input, 0)` 将会保持张量不变,只有用 `squeeze(input, 1)`,形状会变成 \( (A \times B )\)。

注意: 返回张量与输入张量共享内存,所以改变其中一个的内容会改变另一个。

参数:

*   input (Tensor) – 输入张量
*   dim (int, 可选的) – 如果给定,则`input`只会在给定维度挤压
*   out (Tensor, 可选的) – 输出张量

例子: 

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) ```pypy

torch.stack[source]

torch.stack(sequence, dim=0)
```pypy

沿着一个新维度对输入张量序列进行连接。 序列中所有的张量都应该为相同形状。

参数:

*   sqequence (Sequence) – 待连接的张量序列
*   dim (int) – 插入的维度。必须介于 0 与 待连接的张量序列数之间。

### torch.t 

torch.t(input, out=None) → Tensor

 输入一个矩阵(2 维张量),并转置 0, 1 维。 可以被视为函数`transpose(input, 0, 1)`的简写函数。

参数:

*   input (Tensor) – 输入张量
*   out (Tensor, 可选的) – 结果张量 
 >>> x = torch.randn(2, 3)
>>> x

0.4834  0.6907  1.3417
-0.1300  0.5295  0.2321
[torch.FloatTensor of size 2x3]
```py 
```py

> > > torch.t(x)

0.4834 -0.1300 0.6907 0.5295 1.3417 0.2321 [torch.FloatTensor of size 3x2]

### torch.transpose

torch.transpose(input, dim0, dim1, out=None) → Tensor 

返回输入矩阵input的转置。交换维度dim0dim1。 输出张量与输入张量共享内存,所以改变其中一个会导致另外一个也被修改。

参数:

  • input (Tensor) – 输入张量
  • dim0 (int) – 转置的第一维
  • dim1 (int) – 转置的第二维
>>> x = torch.randn(2, 3)
>>> x

 0.5983 -0.0341  2.4918
 1.5981 -0.5265 -0.8735
[torch.FloatTensor of size 2x3]

>>> torch.transpose(x, 0, 1)

 0.5983  1.5981
-0.0341 -0.5265
 2.4918 -0.8735
[torch.FloatTensor of size 3x2] 

torch.unbind

torch.unbind(tensor, dim=0)[source] 

移除指定维后,返回一个元组,包含了沿着指定维切片后的各个切片

参数:

  • tensor (Tensor) – 输入张量
  • dim (int) – 删除的维度

torch.unsqueeze

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

返回一个新的张量,对输入的制定位置插入维度 1

注意: 返回张量与输入张量共享内存,所以改变其中一个的内容会改变另一个。

如果dim为负,则将会被转化( dim+input.dim()+1 )

参数:

  • tensor (Tensor) – 输入张量
  • dim (int) – 插入维度的索引
  • out (Tensor, 可选的) – 结果张量
>>> 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.manual_seed

torch.manual_seed(seed) 

设定生成随机数的种子,并返回一个 torch._C.Generator 对象.

参数: seed (int or long) – 种子.

torch.initial_seed

torch.initial_seed() 

返回生成随机数的原始种子值(python long)。

torch.get_rng_state

torch.get_rng_state()[source] 

返回随机生成器状态(ByteTensor)

torch.set_rng_state

torch.set_rng_state(new_state)[source] 

设定随机生成器状态 参数: new_state (torch.ByteTensor) – 期望的状态

torch.default_generator

torch.default_generator = <torch._C.Generator object> 

torch.bernoulli

torch.bernoulli(input, out=None) → Tensor 

从伯努利分布中抽取二元随机数(0 或者 1)。

输入张量须包含用于抽取上述二元随机值的概率。 因此,输入中的所有值都必须在[0,1]区间,即 ( 0<=input_i<=1 )

输出张量的第i个元素值, 将会以输入张量的第i个概率值等于1

返回值将会是与输入相同大小的张量,每个值为 0 或者 1 参数:

  • input (Tensor) – 输入为伯努利分布的概率值
  • out (Tensor, 可选的) – 输出张量(可选)

例子:

>>> a = torch.Tensor(3, 3).uniform_(0, 1) # generate a uniform random matrix with range [0, 1]
>>> a

 0.7544  0.8140  0.9842
 0.5282  0.0595  0.6445
 0.1925  0.9553  0.9732
[torch.FloatTensor of size 3x3]

>>> torch.bernoulli(a)

 1  1  1
 0  0  1
 0  1  1
[torch.FloatTensor of size 3x3]

>>> a = torch.ones(3, 3) # probability of drawing "1" is 1
>>> torch.bernoulli(a)

 1  1  1
 1  1  1
 1  1  1
[torch.FloatTensor of size 3x3]

>>> a = torch.zeros(3, 3) # probability of drawing "1" is 0
>>> torch.bernoulli(a)

 0  0  0
 0  0  0
 0  0  0
[torch.FloatTensor of size 3x3] 

torch.multinomial

torch.multinomial(input, num_samples,replacement=False, out=None) → LongTensor 

返回一个张量,每行包含从input相应行中定义的多项分布中抽取的num_samples个样本。

当抽取样本时,依次从左到右排列(第一个样本对应第一列)。

如果输入input是一个向量,输出out也是一个相同长度num_samples的向量。如果输入input是有 (m )行的矩阵,输出out是形如( m \times n )的矩阵。

如果参数replacementTrue, 则样本抽取可以重复。否则,一个样本在每行不能被重复抽取。

参数num_samples必须小于input长度(即,input的列数,如果是input是一个矩阵)。

参数:

  • input (Tensor) – 包含概率值的张量
  • num_samples (int) – 抽取的样本数
  • replacement (bool, 可选的) – 布尔值,决定是否能重复抽取
  • out (Tensor, 可选的) – 结果张量

例子:

>>> weights = torch.Tensor([0, 10, 3, 0]) # create a Tensor of weights
>>> torch.multinomial(weights, 4)

 1
 2
 0
 0
[torch.LongTensor of size 4]

>>> torch.multinomial(weights, 4, replacement=True)

 1
 2
 1
 2
[torch.LongTensor of size 4] 

torch.normal()

torch.normal(means, std, out=None) 

返回一个张量,包含从给定参数means,std的离散正态分布中抽取随机数。 均值means是一个张量,包含每个输出元素相关的正态分布的均值。 std是一个张量,包含每个输出元素相关的正态分布的标准差。 均值和标准差的形状不须匹配,但每个张量的元素个数须相同。

参数:

  • means (Tensor) – 均值
  • std (Tensor) – 标准差
  • out (Tensor) – 可选的输出张量
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.normal(mean=0.0, std, out=None) 

与上面函数类似,所有抽取的样本共享均值。

参数:

  • means (Tensor,可选的) – 所有分布均值
  • std (Tensor) – 每个元素的标准差
  • out (Tensor) – 可选的输出张量

例子:

>>> torch.normal(mean=0.5, std=torch.arange(1, 6))

  0.5723
  0.0871
 -0.3783
 -2.5689
 10.7893
[torch.FloatTensor of size 5] 
torch.normal(means, std=1.0, out=None) 

与上面函数类似,所有抽取的样本共享标准差。

参数:

  • means (Tensor) – 每个元素的均值
  • std (float, 可选的) – 所有分布的标准差
  • out (Tensor) – 可选的输出张量

例子:

>>> torch.normal(means=torch.arange(1, 6))

 1.1681
 2.8884
 3.7718
 2.5616
 4.2500
[torch.FloatTensor of size 5] 

torch.saves[source]

torch.save(obj, f, pickle_module=<module 'pickle' from '/home/jenkins/miniconda/lib/python3.5/pickle.py'>, pickle_protocol=2) 

保存一个对象到一个硬盘文件上 参考: Recommended approach for saving a model 参数:

  • obj – 保存对象
  • f - 类文件对象 (返回文件描述符)或一个保存文件名的字符串
  • pickle_module – 用于 pickling 元数据和对象的模块
  • pickle_protocol – 指定 pickle protocal 可以覆盖默认参数

torch.load[source]

torch.load(f, map_location=None, pickle_module=<module 'pickle' from '/home/jenkins/miniconda/lib/python3.5/pickle.py'>) 

从磁盘文件中读取一个通过torch.save()保存的对象。 torch.load() 可通过参数map_location 动态地进行内存重映射,使其能从不动设备中读取文件。一般调用时,需两个参数: storage 和 location tag. 返回不同地址中的 storage,或着返回 None (此时地址可以通过默认方法进行解析). 如果这个参数是字典的话,意味着其是从文件的地址标记到当前系统的地址标记的映射。 默认情况下, location tags 中 "cpu"对应 host tensors,‘cuda:device_id’ (e.g. ‘cuda:2’) 对应 cuda tensors。 用户可以通过 register_package 进行扩展,使用自己定义的标记和反序列化方法。

参数:

  • f – 类文件对象 (返回文件描述符)或一个保存文件名的字符串
  • map_location – 一个函数或字典规定如何 remap 存储位置
  • pickle_module – 用于 unpickling 元数据和对象的模块 (必须匹配序列化文件时的 pickle_module )

例子:

>>> torch.load('tensors.pt')
# Load all tensors onto the CPU
>>> torch.load('tensors.pt', map_location=lambda storage, loc: storage)
# Map tensors from GPU 1 to GPU 0
>>> torch.load('tensors.pt', map_location={'cuda:1':'cuda:0'}) 

torch.get_num_threads

torch.get_num_threads() → int 

获得用于并行化 CPU 操作的 OpenMP 线程数

torch.set_num_threads

torch.set_num_threads(int) 

设定用于并行化 CPU 操作的 OpenMP 线程数

Pointwise Ops

torch.abs

torch.abs(input, out=None) → Tensor 

计算输入张量的每个元素绝对值

例子:

>>> torch.abs(torch.FloatTensor([-1, -2, 3]))
FloatTensor([1, 2, 3]) 

torch.acos(input, out=None) → Tensor

torch.acos(input, out=None) → Tensor 

返回一个新张量,包含输入张量每个元素的反余弦。 参数:

  • input (Tensor) – 输入张量
  • out (Tensor, 可选的) – 结果张量

例子:

>>> a = torch.randn(4)
>>> a

-0.6366
 0.2718
 0.4469
 1.3122
[torch.FloatTensor of size 4]

>>> torch.acos(a)
 2.2608
 1.2956
 1.1075
    nan
[torch.FloatTensor of size 4] 

torch.add()

torch.add(input, value, out=None) 

对输入张量input逐元素加上标量值value,并返回结果到一个新的张量out,即 ( out = tensor + value )。

如果输入input是 FloatTensor or DoubleTensor 类型,则value 必须为实数,否则须为整数。

  • input (Tensor) – 输入张量
  • value (Number) – 添加到输入每个元素的数
  • out (Tensor, 可选的) – 结果张量
>>> a = torch.randn(4)
>>> a

 0.4050
-1.2227
 1.8688
-0.4185
[torch.FloatTensor of size 4]

>>> torch.add(a, 20)

 20.4050
 18.7773
 21.8688
 19.5815
[torch.FloatTensor of size 4] 
torch.add(input, value=1, other, out=None) 

other 张量的每个元素乘以一个标量值value,并加到iput 张量上。返回结果到输出张量out。即,( out=input+(other∗value ) )

两个张量 input and other的尺寸不需要匹配,但元素总数必须一样。

如果other是 FloatTensor or DoubleTensor 类型,则value 必须为实数,否则须为整数。

参数:

  • input (Tensor) – 第一个输入张量
  • value (Number) – 用于第二个张量的尺寸因子
  • other (Tensor) – 第二个输入张量
  • out (Tensor, 可选的) – 结果张量

例子:

>>> import torch
>>> a = torch.randn(4)
>>> a

-0.9310
 2.0330
 0.0852
-0.2941
[torch.FloatTensor of size 4]

>>> b = torch.randn(2, 2)
>>> b

 1.0663  0.2544
-0.1513  0.0749
[torch.FloatTensor of size 2x2]

>>> torch.add(a, 10, b)
 9.7322
 4.5770
-1.4279
 0.4552
[torch.FloatTensor of size 4] 

torch.addcdiv

torch.addcdiv(tensor, value=1, tensor1, tensor2, out=None) → Tensor 

tensor2tensor1逐元素相除,然后乘以标量值value 并加到tensor

张量的形状不需要匹配,但元素数量必须一致。

如果输入是 FloatTensor or DoubleTensor 类型,则value 必须为实数,否则须为整数。

参数:

  • tensor (Tensor) – 张量,对 tensor1 ./ tensor 进行相加
  • value (Number, 可选的) – 标量,对 tensor1 ./ tensor2 进行相乘
  • tensor1 (Tensor) – 张量,作为被除数(分子)
  • tensor2 (Tensor) –张量,作为除数(分母)
  • out (Tensor, 可选的) – 输出张量

例子:

>>> t = torch.randn(2, 3)
>>> t1 = torch.randn(1, 6)
>>> t2 = torch.randn(6, 1)
>>> torch.addcdiv(t, 0.1, t1, t2)

 0.0122 -0.0188 -0.2354
 0.7396 -1.5721  1.2878
[torch.FloatTensor of size 2x3] 

torch.addcmul

torch.addcmul(tensor, value=1, tensor1, tensor2, out=None) → Tensor 

tensor2tensor1逐元素相乘,并对结果乘以标量值value然后加到tensor。 张量的形状不需要匹配,但元素数量必须一致。 如果输入是 FloatTensor or DoubleTensor 类型,则value 必须为实数,否则须为整数。

参数:

  • tensor (Tensor) – 张量,对 tensor1 ./ tensor 进行相加
  • value (Number, 可选的) – 标量,对 tensor1 . tensor2 进行相乘
  • tensor1 (Tensor) – 张量,作为乘子 1
  • tensor2 (Tensor) –张量,作为乘子 2
  • out (Tensor, 可选的) – 输出张量

例子:

>>> t = torch.randn(2, 3)
>>> t1 = torch.randn(1, 6)
>>> t2 = torch.randn(6, 1)
>>> torch.addcmul(t, 0.1, t1, t2)

 0.0122 -0.0188 -0.2354
 0.7396 -1.5721  1.2878
[torch.FloatTensor of size 2x3] 

torch.asin

torch.asin(input, out=None) → Tensor 

返回一个新张量,包含输入input张量每个元素的反正弦函数

参数:

  • tensor (Tensor) – 输入张量
  • out (Tensor, 可选的) – 输出张量

例子:

>>> a = torch.randn(4)
>>> a
-0.6366
 0.2718
 0.4469
 1.3122
[torch.FloatTensor of size 4]

>>> torch.asin(a)
-0.6900
 0.2752
 0.4633
    nan
[torch.FloatTensor of size 4] 

torch.atan

torch.atan(input, out=None) → Tensor 

返回一个新张量,包含输入input张量每个元素的反正切函数

参数:

  • tensor (Tensor) – 输入张量
  • out (Tensor, 可选的) – 输出张量

例子:

>>> a = torch.randn(4)
>>> a
-0.6366
 0.2718
 0.4469
 1.3122
[torch.FloatTensor of size 4]

>>> torch.atan(a)
-0.5669
 0.2653
 0.4203
 0.9196
[torch.FloatTensor of size 4] 

torch.atan2

torch.atan2(input1, input2, out=None) → Tensor 

返回一个新张量,包含两个输入张量input1input2的反正切函数

参数:

  • input1 (Tensor) – 第一个输入张量
  • input2 (Tensor) – 第二个输入张量
  • out (Tensor, 可选的) – 输出张量

例子:

>>> a = torch.randn(4)
>>> a
-0.6366
 0.2718
 0.4469
 1.3122
[torch.FloatTensor of size 4]

>>> torch.atan2(a, torch.randn(4))
-2.4167
 2.9755
 0.9363
 1.6613
[torch.FloatTensor of size 4] 

torch.ceil

torch.ceil(input, out=None) → Tensor 

天井函数,对输入input张量每个元素向上取整, 即取不小于每个元素的最小整数,并返回结果到输出。

参数:

  • input (Tensor) – 输入张量
  • out (Tensor, 可选的) – 输出张量

例子:

>>> a = torch.randn(4)
>>> a

 1.3869
 0.3912
-0.8634
-0.5468
[torch.FloatTensor of size 4]

>>> torch.ceil(a)

 2
 1
-0
-0
[torch.FloatTensor of size 4] 

torch.clamp

torch.clamp(input, min, max, out=None) → Tensor 

将输入input张量每个元素的夹紧到区间 ([min, max] ),并返回结果到一个新张量。

操作定义如下:

 | min, if x_i < min
y_i = | x_i, if min <= x_i <= max
      | max, if x_i > max 

如果输入是 FloatTensor or DoubleTensor 类型,则参数min max 必须为实数,否则须为整数。

参数:

  • input (Tensor) – 输入张量
  • min (Number) – 限制范围下限
  • max (Number) – 限制范围上限
  • out (Tensor, 可选的) – 输出张量

例子:

>>> a = torch.randn(4)
>>> a

 1.3869
 0.3912
-0.8634
-0.5468
[torch.FloatTensor of size 4]

>>> torch.clamp(a, min=-0.5, max=0.5)

 0.5000
 0.3912
-0.5000
-0.5000
[torch.FloatTensor of size 4] 
torch.clamp(input, *, min, out=None) → Tensor 

将输入input张量每个元素的限制到不小于min ,并返回结果到一个新张量。

如果输入是 FloatTensor or DoubleTensor 类型,则参数 value 必须为实数,否则须为整数。

参数:

  • input (Tensor) – 输入张量
  • value (Number) – 限制范围下限
  • out (Tensor, 可选的) – 输出张量

例子:

>>> a = torch.randn(4)
>>> a

 1.3869
 0.3912
-0.8634
-0.5468
[torch.FloatTensor of size 4]

>>> torch.clamp(a, min=0.5)

 1.3869
 0.5000
 0.5000
 0.5000
[torch.FloatTensor of size 4] 
torch.clamp(input, *, max, out=None) → Tensor 

将输入input张量每个元素的限制到不大于max ,并返回结果到一个新张量。

如果输入是 FloatTensor or DoubleTensor 类型,则参数 value 必须为实数,否则须为整数。

参数:

  • input (Tensor) – 输入张量
  • value (Number) – 限制范围上限
  • out (Tensor, 可选的) – 输出张量

例子:

>>> a = torch.randn(4)
>>> a

 1.3869
 0.3912
-0.8634
-0.5468
[torch.FloatTensor of size 4]

>>> torch.clamp(a, max=0.5)

 0.5000
 0.3912
-0.8634
-0.5468
[torch.FloatTensor of size 4] 

torch.cos

torch.cos(input, out=None) → Tensor 

返回一个新张量,包含输入input张量每个元素的余弦。

参数:

  • input (Tensor) – 输入张量
  • out (Tensor, 可选的) – 输出张量

例子:

>>> a = torch.randn(4)
>>> a
-0.6366
 0.2718
 0.4469
 1.3122
[torch.FloatTensor of size 4]

>>> torch.cos(a)
 0.8041
 0.9633
 0.9018
 0.2557
[torch.FloatTensor of size 4] 

torch.cosh

torch.cosh(input, out=None) → Tensor 

返回一个新张量,包含输入input张量每个元素的双曲余弦。

参数:

  • input (Tensor) – 输入张量
  • out (Tensor, 可选的) – 输出张量

例子:

>>> a = torch.randn(4)
>>> a
-0.6366
 0.2718
 0.4469
 1.3122
[torch.FloatTensor of size 4]

>>> torch.cosh(a)
 1.2095
 1.0372
 1.1015
 1.9917
[torch.FloatTensor of size 4] 

torch.div()

torch.div(input, value, out=None) 

input逐元素除以标量值value,并返回结果到输出张量out。 即 ( out=tensor/value )

如果输入是 FloatTensor or DoubleTensor 类型,则参数 value 必须为实数,否则须为整数。

参数:

  • input (Tensor) – 输入张量
  • value (Number) – 除数
  • out (Tensor, 可选的) – 输出张量

例子:

>>> a = torch.randn(5)
>>> a

-0.6147
-1.1237
-0.1604
-0.6853
 0.1063
[torch.FloatTensor of size 5]

>>> torch.div(a, 0.5)

-1.2294
-2.2474
-0.3208
-1.3706
 0.2126
[torch.FloatTensor of size 5] 
torch.div(input, other, out=None) 

两张量inputother逐元素相除,并将结果返回到输出。即, ( out_i= input_i / other_i )

两张量形状不须匹配,但元素数须一致。

注意:当形状不匹配时,input的形状作为输出张量的形状。

参数:

  • input (Tensor) – 张量(分子)
  • other (Tensor) – 张量(分母)
  • out (Tensor, 可选的) – 输出张量

例子:

>>> a = torch.randn(4,4)
>>> a

-0.1810  0.4017  0.2863 -0.1013
 0.6183  2.0696  0.9012 -1.5933
 0.5679  0.4743 -0.0117 -0.1266
-0.1213  0.9629  0.2682  1.5968
[torch.FloatTensor of size 4x4]

>>> b = torch.randn(8, 2)
>>> b

 0.8774  0.7650
 0.8866  1.4805
-0.6490  1.1172
 1.4259 -0.8146
 1.4633 -0.1228
 0.4643 -0.6029
 0.3492  1.5270
 1.6103 -0.6291
[torch.FloatTensor of size 8x2]

>>> torch.div(a, b)

-0.2062  0.5251  0.3229 -0.0684
-0.9528  1.8525  0.6320  1.9559
 0.3881 -3.8625 -0.0253  0.2099
-0.3473  0.6306  0.1666 -2.5381
[torch.FloatTensor of size 4x4] 

torch.exp

torch.exp(tensor, out=None) → Tensor 

返回一个新张量,包含输入input张量每个元素的指数。

参数:

  • input (Tensor) – 输入张量
  • out (Tensor, 可选的) – 输出张量

    py &gt;&gt;&gt; torch.exp(torch.Tensor([0, math.log(2)])) torch.FloatTensor([1, 2])

    torch.floor

torch.floor(input, out=None) → Tensor 

床函数: 返回一个新张量,包含输入input张量每个元素的 floor,即不小于元素的最大整数。

参数:

  • input (Tensor) – 输入张量
  • out (Tensor, 可选的) – 输出张量

例子:

>>> a = torch.randn(4)
>>> a

 1.3869
 0.3912
-0.8634
-0.5468
[torch.FloatTensor of size 4]

>>> torch.floor(a)

 1
 0
-1
-1
[torch.FloatTensor of size 4] 

torch.fmod

torch.fmod(input, divisor, out=None) → Tensor 

计算除法余数。 除数与被除数可能同时含有整数和浮点数。此时,余数的正负与被除数相同。

参数:

  • input (Tensor) – 被除数
  • divisor (Tensor or float) – 除数,一个数或与被除数相同类型的张量
  • out (Tensor, 可选的) – 输出张量

例子:

>>> torch.fmod(torch.Tensor([-3, -2, -1, 1, 2, 3]), 2)
torch.FloatTensor([-1, -0, -1, 1, 0, 1])
>>> torch.fmod(torch.Tensor([1, 2, 3, 4, 5]), 1.5)
torch.FloatTensor([1.0, 0.5, 0.0, 1.0, 0.5]) 

参考: torch.remainder(), 计算逐元素余数, 相当于 python 中的 % 操作符。

torch.frac

torch.frac(tensor, out=None) → Tensor 

返回每个元素的分数部分。

例子:

>>> torch.frac(torch.Tensor([1, 2.5, -3.2])
torch.FloatTensor([0, 0.5, -0.2]) 

torch.lerp

torch.lerp(start, end, weight, out=None) 

对两个张量以startend做线性插值, 将结果返回到输出张量。

即,( out_i=start_i+weight∗(end_i−start_i) )

参数:

  • start (Tensor) – 起始点张量
  • end (Tensor) – 终止点张量
  • weight (float) – 插值公式的 weight
  • out (Tensor, 可选的) – 结果张量

例子:

>>> start = torch.arange(1, 5)
>>> end = torch.Tensor(4).fill_(10)
>>> start

 1
 2
 3
 4
[torch.FloatTensor of size 4]

>>> end

 10
 10
 10
 10
[torch.FloatTensor of size 4]

>>> torch.lerp(start, end, 0.5)

 5.5000
 6.0000
 6.5000
 7.0000
[torch.FloatTensor of size 4] 

torch.log

torch.log(input, out=None) → Tensor 

计算input 的自然对数

参数:

  • input (Tensor) – 输入张量
  • out (Tensor, 可选的) – 输出张量

例子:

>>> a = torch.randn(5)
>>> a

-0.4183
 0.3722
-0.3091
 0.4149
 0.5857
[torch.FloatTensor of size 5]

>>> torch.log(a)

    nan
-0.9883
    nan
-0.8797
-0.5349
[torch.FloatTensor of size 5] 

torch.log1p

torch.log1p(input, out=None) → Tensor 

计算 ( input +1 )的自然对数 ( y_i=log(x_i+1) )

注意:对值比较小的输入,此函数比torch.log()更准确。

如果输入是 FloatTensor or DoubleTensor 类型,则value 必须为实数,否则须为整数。

参数:

  • input (Tensor) – 输入张量
  • out (Tensor, 可选的) – 输出张量

例子:

>>> a = torch.randn(5)
>>> a

-0.4183
 0.3722
-0.3091
 0.4149
 0.5857
[torch.FloatTensor of size 5]

>>> torch.log1p(a)

-0.5418
 0.3164
-0.3697
 0.3471
 0.4611
[torch.FloatTensor of size 5] 

torch.mul

torch.mul(input, value, out=None) 

用标量值value乘以输入input的每个元素,并返回一个新的结果张量。 ( out=tensor ∗ value )

如果输入是 FloatTensor or DoubleTensor 类型,则value 必须为实数,否则须为整数。

参数:

  • input (Tensor) – 输入张量
  • value (Number) – 乘到每个元素的数
  • out (Tensor, 可选的) – 输出张量

例子:

>>> a = torch.randn(3)
>>> a

-0.9374
-0.5254
-0.6069
[torch.FloatTensor of size 3]

>>> torch.mul(a, 100)

-93.7411
-52.5374
-60.6908
[torch.FloatTensor of size 3] 
torch.mul(input, other, out=None) 

两个张量input,other按元素进行相乘,并返回到输出张量。即计算( out_i=input_i ∗ other_i )

两计算张量形状不须匹配,但总元素数须一致。

参数:

  • input (Tensor) – 第一个相乘张量
  • other (Tensor) – 第二个相乘张量
  • out (Tensor, 可选的) – 结果张量

例子:

>>> a = torch.randn(4,4)
>>> a

-0.7280  0.0598 -1.4327 -0.5825
-0.1427 -0.0690  0.0821 -0.3270
-0.9241  0.5110  0.4070 -1.1188
-0.8308  0.7426 -0.6240 -1.1582
[torch.FloatTensor of size 4x4]

>>> b = torch.randn(2, 8)
>>> b

 0.0430 -1.0775  0.6015  1.1647 -0.6549  0.0308 -0.1670  1.0742
-1.2593  0.0292 -0.0849  0.4530  1.2404 -0.4659 -0.1840  0.5974
[torch.FloatTensor of size 2x8]

>>> torch.mul(a, b)

-0.0313 -0.0645 -0.8618 -0.6784
 0.0934 -0.0021 -0.0137 -0.3513
 1.1638  0.0149 -0.0346 -0.5068
-1.0304 -0.3460  0.1148 -0.6919
[torch.FloatTensor of size 4x4] 

torch.neg

torch.neg(input, out=None) → Tensor 

返回一个新张量,包含输入input 张量按元素取负。 即, ( out=−1∗input )

参数:

  • input (Tensor) – 输入张量
  • out (Tensor, 可选的) – 输出张量

例子:

>>> a = torch.randn(5)
>>> a

-0.4430
 1.1690
-0.8836
-0.4565
 0.2968
[torch.FloatTensor of size 5]

>>> torch.neg(a)

 0.4430
-1.1690
 0.8836
 0.4565
-0.2968
[torch.FloatTensor of size 5] 

torch.pow

torch.pow(input, exponent, out=None) 

对输入input的按元素求exponent次幂值,并返回结果张量。 幂值exponent 可以为单一 float 数或者与input相同元素数的张量。

当幂值为标量时,执行操作: $$ out_i=x^{exponent} $$

当幂值为张量时,执行操作: $$ out_i=x^{exponent_i} $$

参数:

  • input (Tensor) – 输入张量
  • exponent (float or Tensor) – 幂值
  • out (Tensor, 可选的) – 输出张量

例子:

>>> a = torch.randn(4)
>>> a

-0.5274
-0.8232
-2.1128
 1.7558
[torch.FloatTensor of size 4]

>>> torch.pow(a, 2)

 0.2781
 0.6776
 4.4640
 3.0829
[torch.FloatTensor of size 4]

>>> exp = torch.arange(1, 5)
>>> a = torch.arange(1, 5)
>>> a

 1
 2
 3
 4
[torch.FloatTensor of size 4]

>>> exp

 1
 2
 3
 4
[torch.FloatTensor of size 4]

>>> torch.pow(a, exp)

   1
   4
  27
 256
[torch.FloatTensor of size 4] 
torch.pow(base, input, out=None) 

base 为标量浮点值,input为张量, 返回的输出张量 out 与输入张量相同形状。

执行操作为: $$ out_i=base^{input_i} $$

参数:

  • base (float) – 标量值,指数的底
  • input ( Tensor) – 幂值
  • out (Tensor, 可选的) – 输出张量

例子:

>>> exp = torch.arange(1, 5)
>>> base = 2
>>> torch.pow(base, exp)

  2
  4
  8
 16
[torch.FloatTensor of size 4] 

torch.reciprocal

torch.reciprocal(input, out=None) → Tensor 

返回一个新张量,包含输入input张量每个元素的倒数,即 1.0/x。

参数:

  • input (Tensor) – 输入张量
  • out (Tensor, 可选的) – 输出张量

例子:

>>> a = torch.randn(4)
>>> a

 1.3869
 0.3912
-0.8634
-0.5468
[torch.FloatTensor of size 4]

>>> torch.reciprocal(a)

 0.7210
 2.5565
-1.1583
-1.8289
[torch.FloatTensor of size 4] 

torch.remainder

torch.remainder(input, divisor, out=None) → Tensor 

返回一个新张量,包含输入input张量每个元素的除法余数。 除数与被除数可能同时包含整数或浮点数。余数与除数有相同的符号。

参数:

  • input (Tensor) – 被除数
  • divisor (Tensor or float) – 除数,一个数或者与除数相同大小的张量
  • out (Tensor, 可选的) – 输出张量

例子:

>>> torch.remainder(torch.Tensor([-3, -2, -1, 1, 2, 3]), 2)
torch.FloatTensor([1, 0, 1, 1, 0, 1])
>>> torch.remainder(torch.Tensor([1, 2, 3, 4, 5]), 1.5)
torch.FloatTensor([1.0, 0.5, 0.0, 1.0, 0.5]) 

torch.round

torch.round(input, out=None) → Tensor 

返回一个新张量,将输入input张量每个元素舍入到最近的整数。

参数:

  • input (Tensor) – 输入张量
  • out (Tensor, 可选的) – 输出张量

例子:

>>> a = torch.randn(4)
>>> a

 1.2290
 1.3409
-0.5662
-0.0899
[torch.FloatTensor of size 4]

>>> torch.round(a)

 1
 1
-1
-0
[torch.FloatTensor of size 4] 

torch.rsqrt

torch.rsqrt(input, out=None) → Tensor 

返回一个新张量,包含输入input张量每个元素的平方根倒数。

参数:

  • input (Tensor) – 输入张量
  • out (Tensor, 可选的) – 输出张量

例子:

>>> a = torch.randn(4)
>>> a

 1.2290
 1.3409
-0.5662
-0.0899
[torch.FloatTensor of size 4]

>>> torch.rsqrt(a)

 0.9020
 0.8636
    nan
    nan
[torch.FloatTensor of size 4] 

torch.sigmoid

torch.sigmoid(input, out=None) → Tensor 

返回一个新张量,包含输入input张量每个元素的 sigmoid 值。

参数:

  • input (Tensor) – 输入张量
  • out (Tensor, 可选的) – 输出张量

例子:

>>> a = torch.randn(4)
>>> a

-0.4972
 1.3512
 0.1056
-0.2650
[torch.FloatTensor of size 4]

>>> torch.sigmoid(a)

 0.3782
 0.7943
 0.5264
 0.4341
[torch.FloatTensor of size 4] 

torch.sign

torch.sign(input, out=None) → Tensor 

符号函数:返回一个新张量,包含输入input张量每个元素的正负。

参数:

  • input (Tensor) – 输入张量
  • out (Tensor, 可选的) – 输出张量

例子:

>>> a = torch.randn(4)
>>> a
-0.6366
 0.2718
 0.4469
 1.3122
[torch.FloatTensor of size 4]

>>> torch.sign(a)

-1
 1
 1
 1
[torch.FloatTensor of size 4] 

torch.sin

torch.sin(input, out=None) → Tensor 

返回一个新张量,包含输入input张量每个元素的正弦。

参数:

  • input (Tensor) – 输入张量
  • out (Tensor, 可选的) – 输出张量

例子:

>>> a = torch.randn(4)
>>> a
-0.6366
 0.2718
 0.4469
 1.3122
[torch.FloatTensor of size 4]

>>> torch.sin(a)
-0.5944
 0.2684
 0.4322
 0.9667
[torch.FloatTensor of size 4] 

torch.sinh

torch.sinh(input, out=None) → Tensor 

返回一个新张量,包含输入input张量每个元素的双曲正弦。

参数:

  • input (Tensor) – 输入张量
  • out (Tensor, 可选的) – 输出张量

例子:

>>> a = torch.randn(4)
>>> a
-0.6366
 0.2718
 0.4469
 1.3122
[torch.FloatTensor of size 4]

>>> torch.sinh(a)
-0.6804
 0.2751
 0.4619
 1.7225
[torch.FloatTensor of size 4] 

torch.sqrt

torch.sqrt(input, out=None) → Tensor 

返回一个新张量,包含输入input张量每个元素的平方根。

参数:

  • input (Tensor) – 输入张量
  • out (Tensor, 可选的) – 输出张量

例子:

>>> a = torch.randn(4)
>>> a

 1.2290
 1.3409
-0.5662
-0.0899
[torch.FloatTensor of size 4]

>>> torch.sqrt(a)

 1.1086
 1.1580
    nan
    nan
[torch.FloatTensor of size 4] 

torch.tan

torch.tan(input, out=None) → Tensor 

返回一个新张量,包含输入input张量每个元素的正切。

参数:

  • input (Tensor) – 输入张量
  • out (Tensor, 可选的) – 输出张量

例子:

>>> a = torch.randn(4)
>>> a
-0.6366
 0.2718
 0.4469
 1.3122
[torch.FloatTensor of size 4]

>>> torch.tan(a)
-0.7392
 0.2786
 0.4792
 3.7801
[torch.FloatTensor of size 4] 

torch.tanh

torch.tanh(input, out=None) → Tensor 

返回一个新张量,包含输入input张量每个元素的双曲正切。

参数:

  • input (Tensor) – 输入张量
  • out (Tensor, 可选的) – 输出张量

例子:

>>> a = torch.randn(4)
>>> a
-0.6366
 0.2718
 0.4469
 1.3122
[torch.FloatTensor of size 4]

>>> torch.tanh(a)
-0.5625
 0.2653
 0.4193
 0.8648
[torch.FloatTensor of size 4] 

torch.trunc

torch.trunc(input, out=None) → Tensor 

返回一个新张量,包含输入input张量每个元素的截断值(标量 x 的截断值是最接近其的整数,其比 x 更接近零。简而言之,有符号数的小数部分被舍弃)。

参数:

  • input (Tensor) – 输入张量
  • out (Tensor, 可选的) – 输出张量

例子:

>>> a = torch.randn(4)
>>> a

-0.4972
 1.3512
 0.1056
-0.2650
[torch.FloatTensor of size 4]

>>> torch.trunc(a)

-0
 1
 0
-0
[torch.FloatTensor of size 4] 

torch.cumprod

torch.cumprod(input, dim, out=None) → Tensor 

返回输入沿指定维度的累积积。例如,如果输入是一个 N 元向量,则结果也是一个 N 元向量,第i 个输出元素值为( yi=x1∗x2∗x3∗...∗xi )

参数:

  • input (Tensor) – 输入张量
  • dim (int) – 累积积操作的维度
  • out (Tensor, 可选的) – 结果张量

例子:

>>> a = torch.randn(10)
>>> a

 1.1148
 1.8423
 1.4143
-0.4403
 1.2859
-1.2514
-0.4748
 1.1735
-1.6332
-0.4272
[torch.FloatTensor of size 10]

>>> torch.cumprod(a, dim=0)

 1.1148
 2.0537
 2.9045
-1.2788
-1.6444
 2.0578
-0.9770
-1.1466
 1.8726
-0.8000
[torch.FloatTensor of size 10]

>>> a[5] = 0.0
>>> torch.cumprod(a, dim=0)

 1.1148
 2.0537
 2.9045
-1.2788
-1.6444
-0.0000
 0.0000
 0.0000
-0.0000
 0.0000
[torch.FloatTensor of size 10] 

torch.cumsum

torch.cumsum(input, dim, out=None) → Tensor 

返回输入沿指定维度的累积和。例如,如果输入是一个 N 元向量,则结果也是一个 N 元向量,第i 个输出元素值为 ( yi=x1+x2+x3+...+xi)

参数:

  • input (Tensor) – 输入张量
  • dim (int) – 累积和操作的维度
  • out (Tensor, 可选的) – 结果张量

例子:

>>> a = torch.randn(10)
>>> a

-0.6039
-0.2214
-0.3705
-0.0169
 1.3415
-0.1230
 0.9719
 0.6081
-0.1286
 1.0947
[torch.FloatTensor of size 10]

>>> torch.cumsum(a, dim=0)

-0.6039
-0.8253
-1.1958
-1.2127
 0.1288
 0.0058
 0.9777
 1.5858
 1.4572
 2.5519
[torch.FloatTensor of size 10] 

torch.dist

torch.dist(input, other, p=2, out=None) → Tensor 

返回 (input - other) 的 p范数 。

参数:

  • input (Tensor) – 输入张量
  • other (Tensor) – 右侧输入张量
  • p (float, 可选的) – 所计算的范数
  • out (Tensor, 可选的) – 结果张量

例子:

>>> x = torch.randn(4)
>>> x

 0.2505
-0.4571
-0.3733
 0.7807
[torch.FloatTensor of size 4]

>>> y = torch.randn(4)
>>> y

 0.7782
-0.5185
 1.4106
-2.4063
[torch.FloatTensor of size 4]

>>> torch.dist(x, y, 3.5)
3.302832063224223
>>> torch.dist(x, y, 3)
3.3677282206393286
>>> torch.dist(x, y, 0)
inf
>>> torch.dist(x, y, 1)
5.560028076171875 

torch.mean

torch.mean(input) → float 

返回输入张量所有元素的均值。

参数: input (Tensor) – 输入张量

例子:

>>> a = torch.randn(1, 3)
>>> a

-0.2946 -0.9143  2.1809
[torch.FloatTensor of size 1x3]

>>> torch.mean(a)
0.32398951053619385 
torch.mean(input, dim, out=None) → Tensor 

返回输入张量给定维度dim上每行的均值。

输出形状与输入相同,除了给定维度上为 1.

参数:

  • input (Tensor) – 输入张量
  • dim (int) – the dimension to reduce
  • out (Tensor, 可选的) – 结果张量

例子:

>>> a = torch.randn(4, 4)
>>> a

-1.2738 -0.3058  0.1230 -1.9615
 0.8771 -0.5430 -0.9233  0.9879
 1.4107  0.0317 -0.6823  0.2255
-1.3854  0.4953 -0.2160  0.2435
[torch.FloatTensor of size 4x4]

>>> torch.mean(a, 1)

-0.8545
 0.0997
 0.2464
-0.2157
[torch.FloatTensor of size 4x1] 

torch.median

torch.median(input, dim=-1, values=None, indices=None) -> (Tensor, LongTensor) 

返回输入张量给定维度每行的中位数,同时返回一个包含中位数的索引的LongTensor

dim值默认为输入张量的最后一维。 输出形状与输入相同,除了给定维度上为 1.

注意: 这个函数还没有在torch.cuda.Tensor中定义

参数:

  • input (Tensor) – 输入张量
  • dim (int) – 缩减的维度
  • values (Tensor, 可选的) – 结果张量
  • indices (Tensor, 可选的) – 返回的索引结果张量
>>> a

 -0.6891 -0.6662
 0.2697  0.7412
 0.5254 -0.7402
 0.5528 -0.2399
[torch.FloatTensor of size 4x2]

>>> a = torch.randn(4, 5)
>>> a

 0.4056 -0.3372  1.0973 -2.4884  0.4334
 2.1336  0.3841  0.1404 -0.1821 -0.7646
-0.2403  1.3975 -2.0068  0.1298  0.0212
-1.5371 -0.7257 -0.4871 -0.2359 -1.1724
[torch.FloatTensor of size 4x5]

>>> torch.median(a, 1)
(
 0.4056
 0.1404
 0.0212
-0.7257
[torch.FloatTensor of size 4x1]
,
 0
 2
 4
 1
[torch.LongTensor of size 4x1]
) 

torch.mode

torch.mode(input, dim=-1, values=None, indices=None) -> (Tensor, LongTensor) 

返回给定维dim上,每行的众数值。 同时返回一个LongTensor,包含众数职的索引。dim值默认为输入张量的最后一维。

输出形状与输入相同,除了给定维度上为 1.

注意: 这个函数还没有在torch.cuda.Tensor中定义

参数:

  • input (Tensor) – 输入张量
  • dim (int) – 缩减的维度
  • values (Tensor, 可选的) – 结果张量
  • indices (Tensor, 可选的) – 返回的索引张量

例子:

>>> a

 -0.6891 -0.6662
 0.2697  0.7412
 0.5254 -0.7402
 0.5528 -0.2399
[torch.FloatTensor of size 4x2]

>>> a = torch.randn(4, 5)
>>> a

 0.4056 -0.3372  1.0973 -2.4884  0.4334
 2.1336  0.3841  0.1404 -0.1821 -0.7646
-0.2403  1.3975 -2.0068  0.1298  0.0212
-1.5371 -0.7257 -0.4871 -0.2359 -1.1724
[torch.FloatTensor of size 4x5]

>>> torch.mode(a, 1)
(
-2.4884
-0.7646
-2.0068
-1.5371
[torch.FloatTensor of size 4x1]
,
 3
 4
 2
 0
[torch.LongTensor of size 4x1]
) 

torch.norm

torch.norm(input, p=2) → float 

返回输入张量input 的 p 范数。

参数:

  • input (Tensor) – 输入张量
  • p (float,可选的) – 范数计算中的幂指数值

例子:

>>> a = torch.randn(1, 3)
>>> a

-0.4376 -0.5328  0.9547
[torch.FloatTensor of size 1x3]

>>> torch.norm(a, 3)
1.0338925067372466 
torch.norm(input, p, dim, out=None) → Tensor 

返回输入张量给定维dim 上每行的 p 范数。 输出形状与输入相同,除了给定维度上为 1.

参数:

  • input (Tensor) – 输入张量
  • p (float) – 范数计算中的幂指数值
  • dim (int) – 缩减的维度
  • out (Tensor, 可选的) – 结果张量

例子:

>>> a = torch.randn(4, 2)
>>> a

-0.6891 -0.6662
 0.2697  0.7412
 0.5254 -0.7402
 0.5528 -0.2399
[torch.FloatTensor of size 4x2]

>>> torch.norm(a, 2, 1)

 0.9585
 0.7888
 0.9077
 0.6026
[torch.FloatTensor of size 4x1]

>>> torch.norm(a, 0, 1)

 2
 2
 2
 2
[torch.FloatTensor of size 4x1] 

torch.prod

torch.prod(input) → float 

返回输入张量input 所有元素的积。

参数:input (Tensor) – 输入张量

例子:

>>> a = torch.randn(1, 3)
>>> a

 0.6170  0.3546  0.0253
[torch.FloatTensor of size 1x3]

>>> torch.prod(a)
0.005537458061418483 
torch.prod(input, dim, out=None) → Tensor 

返回输入张量给定维度上每行的积。 输出形状与输入相同,除了给定维度上为 1.

参数:

  • input (Tensor) – 输入张量
  • dim (int) – 缩减的维度
  • out (Tensor, 可选的) – 结果张量

例子:

>>> a = torch.randn(4, 2)
>>> a

 0.1598 -0.6884
-0.1831 -0.4412
-0.9925 -0.6244
-0.2416 -0.8080
[torch.FloatTensor of size 4x2]

>>> torch.prod(a, 1)

-0.1100
 0.0808
 0.6197
 0.1952
[torch.FloatTensor of size 4x1] 

torch.std

torch.std(input) → float 

返回输入张量input 所有元素的标准差。

参数:- input (Tensor) – 输入张量

例子:

>>> a = torch.randn(1, 3)
>>> a

-1.3063  1.4182 -0.3061
[torch.FloatTensor of size 1x3]

>>> torch.std(a)
1.3782334731508061 
torch.std(input, dim, out=None) → Tensor 

返回输入张量给定维度上每行的标准差。 输出形状与输入相同,除了给定维度上为 1.

参数:

  • input (Tensor) – 输入张量
  • dim (int) – 缩减的维度
  • out (Tensor, 可选的) – 结果张量

例子:

>>> a = torch.randn(4, 4)
>>> a

 0.1889 -2.4856  0.0043  1.8169
-0.7701 -0.4682 -2.2410  0.4098
 0.1919 -1.1856 -1.0361  0.9085
 0.0173  1.0662  0.2143 -0.5576
[torch.FloatTensor of size 4x4]

>>> torch.std(a, dim=1)

 1.7756
 1.1025
 1.0045
 0.6725
[torch.FloatTensor of size 4x1] 

torch.sum

torch.sum(input) → float 

返回输入张量input 所有元素的和。

输出形状与输入相同,除了给定维度上为 1.

参数:

  • input (Tensor) – 输入张量

例子:

>>> a = torch.randn(1, 3)
>>> a

 0.6170  0.3546  0.0253
[torch.FloatTensor of size 1x3]

>>> torch.sum(a)
0.9969287421554327 
torch.sum(input, dim, out=None) → Tensor 

返回输入张量给定维度上每行的和。 输出形状与输入相同,除了给定维度上为 1.

参数:

  • input (Tensor) – 输入张量
  • dim (int) – 缩减的维度
  • out (Tensor, 可选的) – 结果张量

例子:

>>> a = torch.randn(4, 4)
>>> a

-0.4640  0.0609  0.1122  0.4784
-1.3063  1.6443  0.4714 -0.7396
-1.3561 -0.1959  1.0609 -1.9855
 2.6833  0.5746 -0.5709 -0.4430
[torch.FloatTensor of size 4x4]

>>> torch.sum(a, 1)

 0.1874
 0.0698
-2.4767
 2.2440
[torch.FloatTensor of size 4x1] 

torch.var

torch.var(input) → float 

返回输入张量所有元素的方差

输出形状与输入相同,除了给定维度上为 1.

参数:

  • input (Tensor) – 输入张量

例子:

>>> a = torch.randn(1, 3)
>>> a

-1.3063  1.4182 -0.3061
[torch.FloatTensor of size 1x3]

>>> torch.var(a)
1.899527506513334 
torch.var(input, dim, out=None) → Tensor 

返回输入张量给定维度上每行的方差。 输出形状与输入相同,除了给定维度上为 1.

参数:

  • input (Tensor) – 输入张量
  • dim (int) – the dimension to reduce
  • out (Tensor, 可选的) – 结果张量 例子:

    py &gt;&gt;&gt; a = torch.randn(4, 4) &gt;&gt;&gt; a

-1.2738 -0.3058 0.1230 -1.9615 0.8771 -0.5430 -0.9233 0.9879 1.4107 0.0317 -0.6823 0.2255 -1.3854 0.4953 -0.2160 0.2435 [torch.FloatTensor of size 4x4]

torch.var(a, 1)

0.8859 0.9509 0.7548 0.6949 [torch.FloatTensor of size 4x1]

 ## 比较操作 Comparison Ops

### torch.eq
```python 
torch.eq(input, other, out=None) → Tensor
```pypy

比较元素相等性。第二个参数可为一个数或与第一个参数同类型形状的张量。

参数:

*   input (Tensor) – 待比较张量
*   other (Tensor or float) – 比较张量或数
*   out (Tensor, 可选的) – 输出张量,须为 ByteTensor 类型 or 与`input`同类型

返回值: 一个 `torch.ByteTensor` 张量,包含了每个位置的比较结果(相等为 1,不等为 0 )

返回类型: Tensor

例子: 

torch.eq(torch.Tensor([[1, 2], [3, 4]]), torch.Tensor([[1, 1], [4, 4]])) 1 0 0 1 [torch.ByteTensor of size 2x2] ```pypy

torch.equal

torch.equal(tensor1, tensor2) → bool
```pypy

如果两个张量有相同的形状和元素值,则返回`True` ,否则 `False`。

例子: 

torch.equal(torch.Tensor([1, 2]), torch.Tensor([1, 2])) True ```pypy

torch.ge

torch.ge(input, other, out=None) → Tensor
```pypy

逐元素比较`input`和`other`,即是否 \( input &gt;= other \)。

如果两个张量有相同的形状和元素值,则返回`True` ,否则 `False`。 第二个参数可以为一个数或与第一个参数相同形状和类型的张量

参数:

*   input (Tensor) – 待对比的张量
*   other (Tensor or float) – 对比的张量或`float`值
*   out (Tensor, 可选的) – 输出张量。必须为`ByteTensor`或者与第一个参数`tensor`相同类型。

返回值: 一个 `torch.ByteTensor` 张量,包含了每个位置的比较结果(是否 input &gt;= other )。 返回类型: Tensor

例子: 

torch.ge(torch.Tensor([[1, 2], [3, 4]]), torch.Tensor([[1, 1], [4, 4]])) 1 1 0 1 [torch.ByteTensor of size 2x2] ```pypy

torch.gt

torch.gt(input, other, out=None) → Tensor
```pypy

逐元素比较`input`和`other` , 即是否\( input &gt; other \) 如果两个张量有相同的形状和元素值,则返回`True` ,否则 `False`。 第二个参数可以为一个数或与第一个参数相同形状和类型的张量

参数:

*   input (Tensor) – 要对比的张量
*   other (Tensor or float) – 要对比的张量或`float`值
*   out (Tensor, 可选的) – 输出张量。必须为`ByteTensor`或者与第一个参数`tensor`相同类型。

返回值: 一个 `torch.ByteTensor` 张量,包含了每个位置的比较结果(是否 input &gt;= other )。 返回类型: Tensor

例子: 

torch.gt(torch.Tensor([[1, 2], [3, 4]]), torch.Tensor([[1, 1], [4, 4]])) 0 1 0 0 [torch.ByteTensor of size 2x2] ```pypy

torch.kthvalue

torch.kthvalue(input, k, dim=None, out=None) -> (Tensor, LongTensor)
```pypy

取输入张量`input`指定维上第 k 个最小值。如果不指定`dim`,则默认为`input`的最后一维。

返回一个元组 _(values,indices)_,其中`indices`是原始输入张量`input`中沿`dim`维的第 `k` 个最小值下标。

参数:

*   input (Tensor) – 要对比的张量
*   k (int) – 第 `k` 个最小值
*   dim (int, 可选的) – 沿着此维进行排序
*   out (tuple, 可选的) – 输出元组 (Tensor, LongTensor) 可选地给定作为 输出 buffers

例子: 

x = torch.arange(1, 6) x

1 2 3 4 5 [torch.FloatTensor of size 5]

torch.kthvalue(x, 4) ( 4 [torch.FloatTensor of size 1] , 3 [torch.LongTensor of size 1] ) ```pypy

torch.le

torch.le(input, other, out=None) → Tensor
```pypy

逐元素比较`input`和`other` , 即是否\( input &lt;= other \) 第二个参数可以为一个数或与第一个参数相同形状和类型的张量

参数:

*   input (Tensor) – 要对比的张量
*   other (Tensor or float ) – 对比的张量或`float`值
*   out (Tensor, 可选的) – 输出张量。必须为`ByteTensor`或者与第一个参数`tensor`相同类型。

返回值: 一个 `torch.ByteTensor` 张量,包含了每个位置的比较结果(是否 input &gt;= other )。 返回类型: Tensor

例子: 

torch.le(torch.Tensor([[1, 2], [3, 4]]), torch.Tensor([[1, 1], [4, 4]])) 1 0 1 1 [torch.ByteTensor of size 2x2] ```pypy

torch.lt

torch.lt(input, other, out=None) → Tensor
```pypy

逐元素比较`input`和`other` , 即是否 \( input &lt; other \)

第二个参数可以为一个数或与第一个参数相同形状和类型的张量

参数:

*   input (Tensor) – 要对比的张量
*   other (Tensor or float ) – 对比的张量或`float`值
*   out (Tensor, 可选的) – 输出张量。必须为`ByteTensor`或者与第一个参数`tensor`相同类型。

input: 一个 `torch.ByteTensor` 张量,包含了每个位置的比较结果(是否 tensor &gt;= other )。 返回类型: Tensor

例子: 

torch.lt(torch.Tensor([[1, 2], [3, 4]]), torch.Tensor([[1, 1], [4, 4]])) 0 0 1 0 [torch.ByteTensor of size 2x2] ```pypy

torch.max

torch.max()
```pypy

返回输入张量所有元素的最大值。

参数:

*   input (Tensor) – 输入张量

例子: 

a = torch.randn(1, 3) a

0.4729 -0.2266 -0.2085 [torch.FloatTensor of size 1x3]

torch.max(a) 0.4729 ```pypy

torch.max(input, dim, max=None, max_indices=None) -> (Tensor, LongTensor)
```pypy

返回输入张量给定维度上每行的最大值,并同时返回每个最大值的位置索引。

输出形状中,将`dim`维设定为 1,其它与输入形状保持一致。

参数:

*   input (Tensor) – 输入张量
*   dim (int) – 指定的维度
*   max (Tensor, 可选的) – 结果张量,包含给定维度上的最大值
*   max_indices (LongTensor, 可选的) – 结果张量,包含给定维度上每个最大值的位置索引

例子: 

a = torch.randn(4, 4) a

0.0692 0.3142 1.2513 -0.5428 0.9288 0.8552 -0.2073 0.6409 1.0695 -0.0101 -2.4507 -1.2230 0.7426 -0.7666 0.4862 -0.6628 torch.FloatTensor of size 4x4]

torch.max(a, 1) ( 1.2513 0.9288 1.0695 0.7426 [torch.FloatTensor of size 4x1] , 2 0 0 0 [torch.LongTensor of size 4x1] ) ```pypy

torch.max(input, other, out=None) → Tensor
```pypy

返回输入张量给定维度上每行的最大值,并同时返回每个最大值的位置索引。 即,\( out_i=max(input_i,other_i) \)

输出形状中,将`dim`维设定为 1,其它与输入形状保持一致。

参数:

*   input (Tensor) – 输入张量
*   other (Tensor) – 输出张量
*   out (Tensor, 可选的) – 结果张量

例子: 

a = torch.randn(4) a

1.3869 0.3912 -0.8634 -0.5468 [torch.FloatTensor of size 4]

b = torch.randn(4) b

1.0067 -0.8010 0.6258 0.3627 [torch.FloatTensor of size 4]

torch.max(a, b)

1.3869 0.3912 0.6258 0.3627 [torch.FloatTensor of size 4]

 ### torch.min 

torch.min(input) → float

 返回输入张量所有元素的最小值。

参数: input (Tensor) – 输入张量

例子: 

a = torch.randn(1, 3) a

0.4729 -0.2266 -0.2085 [torch.FloatTensor of size 1x3]

torch.min(a) -0.22663167119026184 ```pypy

torch.min(input, dim, min=None, min_indices=None) -> (Tensor, LongTensor)
```pypy

返回输入张量给定维度上每行的最小值,并同时返回每个最小值的位置索引。

输出形状中,将`dim`维设定为 1,其它与输入形状保持一致。

参数:

*   input (Tensor) – 输入张量
*   dim (int) – 指定的维度
*   min (Tensor, 可选的) – 结果张量,包含给定维度上的最小值
*   min_indices (LongTensor, 可选的) – 结果张量,包含给定维度上每个最小值的位置索引

例子: 

a = torch.randn(4, 4) a

0.0692 0.3142 1.2513 -0.5428 0.9288 0.8552 -0.2073 0.6409 1.0695 -0.0101 -2.4507 -1.2230 0.7426 -0.7666 0.4862 -0.6628 torch.FloatTensor of size 4x4]

torch.min(a, 1)

0.54

译者署名

用户名 头像 职能 签名
Song 翻译 人生总要追求点什么

```



回到顶部