torch

torch 包含用于多维张量的数据结构，并定义了这些张量上的数学运算。此外，它还提供了许多用于高效序列化张量和任意类型的实用程序，以及其他有用的实用程序。

它有一个 CUDA 对应物，使您能够在具有计算能力 >= 3.0 的 NVIDIA GPU 上运行您的张量计算。

张量

is_tensor	如果 obj 是 PyTorch 张量，则返回 True。
is_storage	如果 obj 是 PyTorch 存储对象，则返回 True。
is_complex	如果 input 的数据类型是复数数据类型，即 torch.complex64 和 torch.complex128 之一，则返回 True。
is_conj	如果 input 是一个共轭张量，即它的共轭位被设置为 True，则返回 True。
is_floating_point	如果 input 的数据类型是浮点数据类型，即 torch.float64、torch.float32、torch.float16 和 torch.bfloat16 之一，则返回 True。
is_nonzero	如果 input 是一个单元素张量，在类型转换后不等于零，则返回 True。
set_default_dtype	将默认浮点 dtype 设置为 d。
get_default_dtype	获取当前默认浮点 torch.dtype。
set_default_device	将默认 torch.Tensor 设置为在 device 上分配。
get_default_device	获取在 device 上分配的默认 torch.Tensor
set_default_tensor_type
numel	返回 input 张量中元素的总数。
set_printoptions	设置打印选项。
set_flush_denormal	禁用 CPU 上的非规格化浮点数。

创建操作

注意

随机采样创建操作列在 随机采样 下，包括：torch.rand() torch.rand_like() torch.randn() torch.randn_like() torch.randint() torch.randint_like() torch.randperm() 您也可以使用 torch.empty() 和 就地随机采样 方法来创建具有从更广泛的分布中采样的值的 torch.Tensor。

tensor	通过复制 data 来构造一个没有自动梯度历史的张量（也称为“叶张量”，参见 自动梯度机制）。
sparse_coo_tensor	构造一个在给定 indices 上具有指定值的 COO(rdinate) 格式的稀疏张量。
sparse_csr_tensor	在给定的 crow_indices 和 col_indices 位置构建一个具有指定值的 CSR (压缩稀疏行) 格式的稀疏张量。
sparse_csc_tensor	在给定的 ccol_indices 和 row_indices 位置构建一个具有指定值的 CSC (压缩稀疏列) 格式的稀疏张量。
sparse_bsr_tensor	在给定的 crow_indices 和 col_indices 位置构建一个具有指定二维块的 BSR (块压缩稀疏行) 格式的稀疏张量。
sparse_bsc_tensor	在给定的 ccol_indices 和 row_indices 位置构建一个具有指定二维块的 BSC (块压缩稀疏列) 格式的稀疏张量。
asarray	将 obj 转换为张量。
as_tensor	将 data 转换为张量，如果可能，共享数据并保留自动梯度历史。
as_strided	使用指定的 size、stride 和 storage_offset 创建现有 torch.Tensor input 的视图。
from_file	创建一个由内存映射文件支持的存储的 CPU 张量。
from_numpy	从 numpy.ndarray 创建一个 Tensor。
from_dlpack	将来自外部库的张量转换为 torch.Tensor。
frombuffer	从实现 Python 缓冲协议的对象创建一个一维 Tensor。
zeros	返回一个用标量值 0 填充的张量，其形状由可变参数 size 定义。
zeros_like	返回一个用标量值 0 填充的张量，其大小与 input 相同。
ones	返回一个用标量值 1 填充的张量，其形状由可变参数 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	返回一个大小为 $\left\lceil \frac{\text{end} - \text{start}}{\text{step}} \right\rceil$ 的一维张量，其值来自区间 [start, end)，以公差 step 从 start 开始。
range	返回一个大小为 $\left\lfloor \frac{\text{end} - \text{start}}{\text{step}} \right\rfloor + 1$ 的一维张量，其值从 start 到 end，步长为 step。
linspace	创建一个大小为 steps 的一维张量，其值从 start 到 end 均匀分布，包含边界值。
logspace	创建一个大小为 steps 的一维张量，其值从 ${{\text{{base}}}}^{{\text{{start}}}}$ 到 ${{\text{{base}}}}^{{\text{{end}}}}$，包含边界值，在以 base 为底的对数尺度上均匀分布。
eye	返回一个二维张量，对角线上为 1，其他位置为 0。
empty	返回一个填充未初始化数据的张量。
empty_like	返回一个与 input 大小相同的未初始化张量。
empty_strided	创建一个指定 size 和 stride 的张量，并填充未定义数据。
full	创建一个大小为 size 的张量，并填充 fill_value。
full_like	返回一个与 input 大小相同的张量，并填充 fill_value。
quantize_per_tensor	将浮点型张量转换为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按通道量化张量。
dequantize	通过对量化张量进行反量化，返回一个 fp32 张量。
complex	构造一个复数张量，其实部等于 real，其虚部等于 imag。
polar	构造一个复数张量，其元素是对应于极坐标的笛卡尔坐标，其绝对值为 abs，角度为 angle。
heaviside	计算 input 中每个元素的 Heaviside 阶跃函数。

索引、切片、连接、变异操作

adjoint	返回张量的共轭视图，并转置最后两个维度。
argwhere	返回一个张量，其中包含 input 中所有非零元素的索引。
cat	在给定维度上连接给定 seq 张量序列。
concat	torch.cat() 的别名。
concatenate	torch.cat() 的别名。
conj	返回 input 的视图，其共轭位被翻转。
chunk	尝试将张量拆分为指定数量的块。
dsplit	根据 indices_or_sections，将具有三个或更多维度的张量 input 深度拆分为多个张量。
column_stack	通过水平堆叠 tensors 中的张量来创建一个新的张量。
dstack	按深度（沿第三轴）顺序堆叠张量。
gather	沿由 dim 指定的轴收集值。
hsplit	根据 indices_or_sections，将具有一个或多个维度的张量 input 水平拆分为多个张量。
hstack	按水平（列方向）顺序堆叠张量。
index_add	有关函数描述，请参见 index_add_()。
index_copy	有关函数描述，请参见 index_add_()。
index_reduce	有关函数描述，请参见 index_reduce_()。
index_select	返回一个新的张量，该张量使用 LongTensor 中的条目 index 沿维度 dim 对 input 张量进行索引。
masked_select	返回一个新的 1-D 张量，该张量根据布尔掩码 mask（一个 BoolTensor）对 input 张量进行索引。
movedim	将 input 中位于 source 位置的维度移动到 destination 位置。
moveaxis	torch.movedim() 的别名。
narrow	返回一个新的张量，它是 input 张量的缩小版本。
narrow_copy	与 Tensor.narrow() 相同，但此函数返回的是副本，而不是共享存储。
nonzero
permute	返回原始张量 input 的视图，其维度已置换。
reshape	返回一个与 input 具有相同数据和元素数量的张量，但具有指定的形状。
row_stack	torch.vstack() 的别名。
select	沿选定维度在给定索引处对 input 张量进行切片。
scatter	torch.Tensor.scatter_() 的非就地版本。
diagonal_scatter	将 src 张量的值嵌入到 input 中，沿着 input 相对于 dim1 和 dim2 的对角线元素。
select_scatter	将 src 张量的值嵌入到 input 中，位于给定索引处。
slice_scatter	将 src 张量的值嵌入到 input 中，位于给定维度处。
scatter_add	torch.Tensor.scatter_add_() 的非就地版本。
scatter_reduce	torch.Tensor.scatter_reduce_() 的非就地版本。
split	将张量拆分为块。
squeeze	返回一个张量，其中所有指定维度为 1 的 input 维度都被移除。
stack	沿着新维度连接一系列张量。
swapaxes	是 torch.transpose() 的别名。
交换维度	是 torch.transpose() 的别名。
t	期望 input 为 <= 2 维张量，并转置维度 0 和 1。
取	返回一个新张量，其中包含给定索引处 input 的元素。
沿维度取	从 input 中选择给定 dim 上的 indices 中的一维索引处的值。
张量分割	将张量分割成多个子张量，所有子张量都是 input 的视图，沿着维度 dim，根据 indices_or_sections 指定的索引或节数进行分割。
平铺	通过重复 input 的元素来构造一个张量。
转置	返回一个张量，它是 input 的转置版本。
解绑	移除张量维度。
解开索引	将扁平索引的张量转换为坐标张量的元组，这些坐标张量索引到指定形状的任意张量。
unsqueeze	返回一个新张量，在指定位置插入一个大小为一的维度。
垂直分割	将 input（一个具有两个或更多维度的张量）垂直分割成多个张量，根据 indices_or_sections 进行分割。
垂直堆叠	将张量按顺序垂直（按行）堆叠。
where	返回一个张量，其中包含从 input 或 other 中选择的元素，具体取决于 condition。

生成器

生成器	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。

随机采样

seed	在所有设备上将生成随机数的种子设置为非确定性随机数。
manual_seed	在所有设备上设置生成随机数的种子。
initial_seed	返回生成随机数的初始种子，作为 Python long。
get_rng_state	将随机数生成器状态作为 torch.ByteTensor 返回。
set_rng_state	设置随机数生成器状态。

torch.default_generator Returns the default CPU torch.Generator

bernoulli	从伯努利分布中抽取二进制随机数（0 或 1）。
multinomial	返回一个张量，其中每一行包含从多项式（更严格的定义是多元的，有关更多详细信息，请参阅 torch.distributions.multinomial.Multinomial）概率分布中采样的 num_samples 个索引，该分布位于张量 input 的对应行中。
normal	返回一个随机数张量，这些随机数从单独的正态分布中抽取，这些分布的均值和标准差是给定的。
poisson	返回一个与 input 大小相同的张量，其中每个元素从泊松分布中采样，泊松分布的速率参数由 input 中的对应元素给出，即
rand	返回一个张量，该张量填充了来自区间 $[0, 1)$ 的均匀分布的随机数。
rand_like	返回一个与 input 大小相同的张量，该张量填充了来自区间 $[0, 1)$ 的均匀分布的随机数。
randint	返回一个张量，其中填充了在 low（包含）和 high（不包含）之间均匀生成的随机整数。
randint_like	返回一个与张量 input 形状相同的张量，其中填充了在 low（包含）和 high（不包含）之间均匀生成的随机整数。
randn	返回一个张量，其中填充了来自均值为 0、方差为 1 的正态分布的随机数（也称为标准正态分布）。
randn_like	返回一个与 input 大小相同的张量，其中填充了来自均值为 0、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。

就地随机采样

在张量上还定义了一些就地随机采样函数。点击查看它们的文档

• torch.Tensor.bernoulli_() - torch.bernoulli() 的就地版本

• torch.Tensor.cauchy_() - 从柯西分布中抽取的数字

• torch.Tensor.exponential_() - 从指数分布中抽取的数字

• torch.Tensor.geometric_() - 从几何分布中抽取的元素

• torch.Tensor.log_normal_() - 从对数正态分布中抽取的样本

• torch.Tensor.normal_() - torch.normal() 的就地版本

• torch.Tensor.random_() - 从离散均匀分布中采样的数字

• torch.Tensor.uniform_() - 从连续均匀分布中采样的数字

准随机采样

quasirandom.SobolEngine

torch.quasirandom.SobolEngine 是用于生成（加扰）Sobol 序列的引擎。

序列化

保存	将对象保存到磁盘文件。
加载	从文件加载使用 torch.save() 保存的对象。

并行性

get_num_threads	返回用于并行化 CPU 操作的线程数
set_num_threads	设置用于 CPU 上的内部操作并行性的线程数。
get_num_interop_threads	返回用于 CPU 上的跨操作并行性的线程数（例如。
set_num_interop_threads	设置用于跨操作并行性的线程数（例如。

本地禁用梯度计算

上下文管理器 torch.no_grad()、torch.enable_grad() 和 torch.set_grad_enabled() 有助于在本地禁用和启用梯度计算。有关其用法的更多详细信息，请参见 本地禁用梯度计算。这些上下文管理器是线程本地的，因此如果您使用 threading 模块等将工作发送到另一个线程，它们将不起作用。

示例

>>> x = torch.zeros(1, requires_grad=True)
>>> with torch.no_grad():
...     y = x * 2
>>> y.requires_grad
False

>>> is_train = False
>>> with torch.set_grad_enabled(is_train):
...     y = x * 2
>>> y.requires_grad
False

>>> torch.set_grad_enabled(True)  # this can also be used as a function
>>> y = x * 2
>>> y.requires_grad
True

>>> torch.set_grad_enabled(False)
>>> y = x * 2
>>> y.requires_grad
False

no_grad	禁用梯度计算的上下文管理器。
enable_grad	启用梯度计算的上下文管理器。
autograd.grad_mode.set_grad_enabled	设置梯度计算开启或关闭的上下文管理器。
is_grad_enabled	如果当前启用梯度模式，则返回 True。
autograd.grad_mode.inference_mode	启用或禁用推理模式的上下文管理器。
is_inference_mode_enabled	如果当前启用推理模式，则返回 True。

数学运算

逐元素运算

abs	计算 input 中每个元素的绝对值。
absolute	是 torch.abs() 的别名。
acos	计算 input 中每个元素的反余弦。
arccos	是 torch.acos() 的别名。
acosh	返回一个新张量，其中包含 input 元素的反双曲余弦。
arccosh	是 torch.acosh() 的别名。
add	将 other（乘以 alpha）加到 input 中。
addcdiv	执行 tensor1 除以 tensor2 的逐元素运算，将结果乘以标量 value，并将结果加到 input 中。
addcmul	执行 tensor1 乘以 tensor2 的逐元素运算，将结果乘以标量 value，并将结果加到 input 中。
angle	计算给定 input 张量的元素级角度（以弧度为单位）。
asin	返回一个新的张量，包含 input 元素的反正弦。
arcsin	是 torch.asin() 的别名。
asinh	返回一个新的张量，包含 input 元素的双曲反正弦。
arcsinh	是 torch.asinh() 的别名。
atan	返回一个新的张量，包含 input 元素的反正切。
arctan	是 torch.atan() 的别名。
atanh	返回一个新的张量，包含 input 元素的双曲反正切。
arctanh	是 torch.atanh() 的别名。
atan2	考虑象限的 $\text{input}_{i} / \text{other}_{i}$ 的元素级反正切。
arctan2	它是 torch.atan2() 的别名。
bitwise_not	计算给定输入张量的按位非运算。
bitwise_and	计算 input 和 other 的按位与运算。
bitwise_or	计算 input 和 other 的按位或运算。
bitwise_xor	计算 input 和 other 的按位异或运算。
bitwise_left_shift	计算 input 向左算术移位 other 位。
bitwise_right_shift	计算 input 向右算术移位 other 位。
ceil	返回一个新的张量，其中包含 input 元素的上限，即大于或等于每个元素的最小整数。
clamp	将 input 中的所有元素钳制到范围 [ min, max ]。
clip	它是 torch.clamp() 的别名。
conj_physical	计算给定 input 张量的逐元素共轭。
copysign	按元素创建新的浮点张量，其幅度为 input，符号为 other。
cos	返回一个新的张量，其中包含 input 元素的余弦值。
cosh	返回一个新的张量，其中包含 input 元素的双曲余弦值。
deg2rad	返回一个新的张量，其中每个元素都是 input 中的元素从度数转换为弧度。
div	将输入 input 的每个元素除以 other 的对应元素。
divide	是 torch.div() 的别名。
digamma	是 torch.special.digamma() 的别名。
erf	是 torch.special.erf() 的别名。
erfc	是 torch.special.erfc() 的别名。
erfinv	是 torch.special.erfinv() 的别名。
exp	返回一个新的张量，其中包含输入张量 input 元素的指数。
exp2	是 torch.special.exp2() 的别名。
expm1	是 torch.special.expm1() 的别名。
fake_quantize_per_channel_affine	返回一个新的张量，其中 input 中的数据使用 scale、zero_point、quant_min 和 quant_max 按通道进行假量化，跨越由 axis 指定的通道。
fake_quantize_per_tensor_affine	返回一个新的张量，其中 input 中的数据使用 scale、zero_point、quant_min 和 quant_max 进行假量化。
fix	是 torch.trunc() 的别名。
float_power	将 input 逐元素地提升到 exponent 的幂，以双精度表示。
floor	返回一个新张量，其中包含 input 元素的向下取整值，即小于或等于每个元素的最大整数。
floor_divide
fmod	逐元素应用 C++ 的 std::fmod。
frac	计算 input 中每个元素的小数部分。
frexp	将 input 分解为尾数和指数张量，使得 $\text{input} = \text{mantissa} \times 2^{\text{exponent}}$.
gradient	使用 二阶精确中心差分法 估计一维或多维函数 $g : \mathbb{R}^n \rightarrow \mathbb{R}$ 的梯度，边界处使用一阶或二阶估计。
imag	返回一个新的张量，包含 self 张量的虚部。
ldexp	将 input 乘以 2 ** other。
lerp	根据标量或张量 weight 对两个张量 start（由 input 给出）和 end 进行线性插值，并返回结果张量 out。
lgamma	计算 input 上伽马函数绝对值的自然对数。
log	返回一个新的张量，包含 input 元素的自然对数。
log10	返回一个新的张量，包含 input 元素以 10 为底的对数。
log1p	返回一个新的张量，包含 (1 + input) 的自然对数。
log2	返回一个新张量，其中包含 input 元素的以 2 为底的对数。
logaddexp	输入指数和的对数。
logaddexp2	输入指数和的以 2 为底的对数。
logical_and	计算给定输入张量的逐元素逻辑与运算。
logical_not	计算给定输入张量的逐元素逻辑非运算。
logical_or	计算给定输入张量的逐元素逻辑或运算。
logical_xor	计算给定输入张量的逐元素逻辑异或运算。
logit	是 torch.special.logit() 的别名。
hypot	给定直角三角形的两条直角边，返回其斜边。
i0	是 torch.special.i0() 的别名。
igamma	是 torch.special.gammainc() 的别名。
igammac	是 torch.special.gammaincc() 的别名。
mul	将 input 乘以 other。
multiply	是 torch.mul() 的别名。
mvlgamma	是 torch.special.multigammaln() 的别名。
nan_to_num	将 NaN、正无穷大和负无穷大值分别替换为 input 中由 nan、posinf 和 neginf 指定的值。
neg	返回一个新张量，其中包含 input 元素的负值。
negative	是 torch.neg() 的别名。
nextafter	逐元素返回 input 之后最接近 other 的浮点数。
polygamma	是 torch.special.polygamma() 的别名。
positive	返回 input。
pow	将 input 中每个元素的幂与 exponent 相乘，并返回包含结果的张量。
quantized_batch_norm	对 4D (NCHW) 量化张量应用批归一化。
quantized_max_pool1d	对由多个输入平面组成的输入量化张量应用 1D 最大池化。
quantized_max_pool2d	对由多个输入平面组成的输入量化张量应用 2D 最大池化。
rad2deg	返回一个新的张量，其中每个元素都将 input 中的弧度角转换为度数。
real	返回一个新的张量，其中包含 self 张量的实数值。
reciprocal	返回一个新的张量，其中包含 input 中每个元素的倒数。
remainder	逐元素计算 Python 的模运算。
round	将 input 中的元素四舍五入到最接近的整数。
rsqrt	返回一个新的张量，其中包含 input 中每个元素的平方根的倒数。
sigmoid	是 torch.special.expit() 的别名。
sign	返回一个新张量，其中包含 input 元素的符号。
sgn	此函数是 torch.sign() 对复数张量的扩展。
signbit	测试 input 的每个元素的符号位是否被设置。
sin	返回一个新张量，其中包含 input 元素的正弦值。
sinc	是 torch.special.sinc() 的别名。
sinh	返回一个新张量，其中包含 input 元素的双曲正弦值。
softmax	是 torch.nn.functional.softmax() 的别名。
sqrt	返回一个新张量，其中包含 input 元素的平方根。
square	返回一个新张量，其中包含 input 元素的平方。
sub	从 input 中减去 other，乘以 alpha。
subtract	是 torch.sub() 的别名。
tan	返回一个新张量，其中包含 input 元素的正切值。
tanh	返回一个新张量，其中包含 input 元素的双曲正切值。
true_divide	它是 torch.div() 的别名，其中 rounding_mode=None。
trunc	返回一个新的张量，其中包含 input 元素的截断整数值。
xlogy	它是 torch.special.xlogy() 的别名。

归约操作

argmax	返回 input 张量中所有元素的最大值的索引。
argmin	返回扁平化张量或沿某个维度上的最小值索引。
amax	返回给定维度 dim 上 input 张量每个切片的最大值。
amin	返回给定维度 dim 上 input 张量每个切片的最小值。
aminmax	计算 input 张量的最小值和最大值。
all	测试 input 中的所有元素是否都计算为 True。
any	测试 input 中的任何元素是否计算为 True。
max	返回 input 张量中所有元素的最大值。
min	返回 input 张量中所有元素的最小值。
dist	返回 (input - other) 的 p 范数。
logsumexp	返回给定维度 dim 中 input 张量每行的指数和的对数。
mean	返回 input 张量中所有元素的平均值。
nanmean	计算指定维度上所有 非 NaN 元素的平均值。
median	返回 input 中值的中间值。
nanmedian	返回 input 中值的中间值，忽略 NaN 值。
mode	返回一个命名元组 (values, indices)，其中 values 是 input 张量在给定维度 dim 中每行的众数，即在该行中出现次数最多的值，而 indices 是找到的每个众数值的索引位置。
norm	返回给定张量的矩阵范数或向量范数。
nansum	返回所有元素的总和，将非数字 (NaN) 视为零。
prod	返回 input 张量中所有元素的乘积。
quantile	计算 input 张量沿维度 dim 的每行的第 q 个分位数。
nanquantile	这是 torch.quantile() 的变体，它“忽略” NaN 值，计算分位数 q，就好像 input 中的 NaN 值不存在一样。
std	计算由 dim 指定的维度上的标准差。
std_mean	计算由 dim 指定的维度上的标准差和均值。
sum	返回 input 张量中所有元素的总和。
unique	返回输入张量的唯一元素。
unique_consecutive	消除每个连续的等效元素组中除第一个元素之外的所有元素。
var	计算由 dim 指定的维度上的方差。
var_mean	计算由 dim 指定的维度上的方差和均值。
count_nonzero	沿给定的 dim 统计张量 input 中非零值的个数。

比较运算符

allclose	此函数检查 input 和 other 是否满足条件
argsort	返回按值升序对给定维度上的张量进行排序的索引。
eq	计算逐元素相等性
equal	如果两个张量具有相同的大小和元素，则为 True，否则为 False。
ge	逐元素计算 $\text{input} \geq \text{other}$。
greater_equal	是 torch.ge() 的别名。
gt	逐元素计算 $\text{input} > \text{other}$。
greater	是 torch.gt() 的别名。
isclose	返回一个新的张量，其中布尔元素表示 input 的每个元素是否“接近” other 的对应元素。
isfinite	返回一个新的张量，其中布尔元素表示每个元素是否为 有限。
isin	测试 elements 的每个元素是否在 test_elements 中。
isinf	测试 input 的每个元素是否为无穷大（正无穷大或负无穷大）。
isposinf	测试 input 的每个元素是否为正无穷大。
isneginf	测试 input 的每个元素是否为负无穷大。
isnan	返回一个新的张量，其中布尔元素表示 input 的每个元素是否为 NaN。
isreal	返回一个新的张量，其中布尔元素表示 input 的每个元素是否为实数。
kthvalue	返回一个命名元组 (values, indices)，其中 values 是 input 张量在给定维度 dim 上的每一行的第 k 个最小元素。
le	按元素计算 $\text{input} \leq \text{other}$。
less_equal	是 torch.le() 的别名。
lt	按元素计算 $\text{input} < \text{other}$。
less	是 torch.lt() 的别名。
maximum	计算 input 和 other 的逐元素最大值。
minimum	计算 input 和 other 的逐元素最小值。
fmax	计算 input 和 other 的逐元素最大值。
fmin	计算 input 和 other 的逐元素最小值。
ne	计算 $\text{input} \neq \text{other}$ 的逐元素值。
not_equal	是 torch.ne() 的别名。
sort	对给定维度上的 input 张量中的元素进行升序排序。
topk	返回给定维度上 input 张量中最大的 k 个元素。
msort	对 input 张量中第一个维度上的元素进行升序排序。

频谱运算

stft	短时傅里叶变换 (STFT)。
istft	逆短时傅里叶变换。
bartlett_window	Bartlett 窗函数。
blackman_window	Blackman 窗函数。
hamming_window	汉明窗函数。
hann_window	汉宁窗函数。
kaiser_window	计算凯泽窗，窗长为 window_length，形状参数为 beta。

其他操作

atleast_1d	返回每个输入张量的 1 维视图，该张量具有零维。
atleast_2d	返回每个输入张量的 2 维视图，该张量具有零维。
atleast_3d	返回每个输入张量的 3 维视图，该张量具有零维。
bincount	计算非负整数数组中每个值的频率。
block_diag	从提供的张量创建块对角矩阵。
broadcast_tensors	根据 广播语义广播给定的张量。
broadcast_to	将 input 广播到形状 shape。
broadcast_shapes	类似于 broadcast_tensors()，但用于形状。
bucketize	返回 input 中每个值所属的桶的索引，其中桶的边界由 boundaries 设置。
cartesian_prod	对给定的张量序列执行笛卡尔积。
cdist	计算两个行向量集合中每对向量之间的 p 范数距离。
clone	返回 input 的副本。
combinations	计算给定张量的长度为 $r$ 的组合。
corrcoef	估计由 input 矩阵给出的变量的皮尔逊积矩相关系数矩阵，其中行是变量，列是观测值。
cov	估计由 input 矩阵给出的变量的协方差矩阵，其中行是变量，列是观测值。
cross	返回 input 和 other 在维度 dim 上的向量的叉积。
cummax	返回一个命名元组 (values, indices)，其中 values 是 input 在维度 dim 上的元素的累积最大值。
cummin	返回一个命名元组 (values, indices)，其中 values 是 input 在维度 dim 上的元素的累积最小值。
cumprod	返回 input 在维度 dim 上的元素的累积乘积。
cumsum	返回 input 在维度 dim 上的元素的累积和。
diag	如果 input 是一个向量（一维张量），则返回一个二维方阵张量。
diag_embed	创建一个张量，其某些二维平面（由 dim1 和 dim2 指定）的对角线由 input 填充。
diagflat	如果 input 是一个向量（一维张量），则返回一个二维方阵张量。
diagonal	返回 input 的一个部分视图，其对角线元素相对于 dim1 和 dim2 附加为形状末尾的维度。
diff	计算给定维度上的第 n 个前向差分。
einsum	根据爱因斯坦求和约定，使用基于符号的表示法，对输入 operands 的元素的乘积进行求和，这些元素位于指定的维度上。
flatten	通过将 input 重塑为一维张量来展平它。
flip	反转 n 维张量在 dims 中给定轴上的顺序。
fliplr	在左右方向翻转张量，返回一个新的张量。
flipud	在上下方向翻转张量，返回一个新的张量。
kron	计算 input 和 other 的克罗内克积，用 $\otimes$ 表示。
rot90	将一个 n 维张量在由 dims 轴指定的平面内旋转 90 度。
gcd	计算 input 和 other 的逐元素最大公约数 (GCD)。
histc	计算张量的直方图。
histogram	计算张量中值的直方图。
histogramdd	计算张量中值的多分量直方图。
meshgrid	创建由 attr:tensors 中的 1D 输入指定的坐标网格。
lcm	计算 input 和 other 的逐元素最小公倍数 (LCM)。
logcumsumexp	返回 input 在维度 dim 上的元素的指数的累积求和的对数。
ravel	返回一个连续的扁平化张量。
renorm	返回一个张量，其中沿维度 dim 的 input 的每个子张量都被归一化，使得子张量的 p 范数小于值 maxnorm。
repeat_interleave	重复张量的元素。
roll	沿给定维度滚动张量 input。
searchsorted	从 sorted_sequence 的最内层维度中找到索引，使得如果将 values 中的对应值插入到索引之前，在排序时，sorted_sequence 中的对应最内层维度的顺序将被保留。
tensordot	返回 a 和 b 在多个维度上的收缩。
trace	返回输入 2-D 矩阵对角线元素的总和。
tril	返回矩阵（2-D 张量）或矩阵批次 input 的下三角部分，结果张量 out 的其他元素被设置为 0。
tril_indices	在 2-by-N 张量中返回 row-by- col 矩阵的下三角部分的索引，其中第一行包含所有索引的行坐标，第二行包含列坐标。
triu	返回矩阵（2-D 张量）或矩阵批次 input 的上三角部分，结果张量 out 的其他元素被设置为 0。
triu_indices	在 2-by-N 张量中返回 row-by- col 矩阵的上三角部分的索引，其中第一行包含所有索引的行坐标，第二行包含列坐标。
unflatten	将输入张量的维度扩展到多个维度。
vander	生成范德蒙矩阵。
view_as_real	将 input 作为实数张量返回视图。
view_as_complex	将 input 作为复数张量返回视图。
resolve_conj	如果 input 的共轭位设置为 True，则返回一个具有物化共轭的新张量，否则返回 input。
resolve_neg	如果 input 的负位设置为 True，则返回一个具有物化取反的新张量，否则返回 input。

BLAS 和 LAPACK 操作

addbmm	执行存储在 batch1 和 batch2 中的矩阵的批矩阵-矩阵乘积，并进行简化的加法步骤（所有矩阵乘积都沿第一个维度累积）。
addmm	执行矩阵 mat1 和 mat2 的矩阵乘法。
addmv	执行矩阵 mat 和向量 vec 的矩阵-向量乘积。
addr	执行向量 vec1 和 vec2 的外积，并将其添加到矩阵 input 中。
baddbmm	执行 batch1 和 batch2 中矩阵的批矩阵-矩阵乘积。
bmm	执行存储在 input 和 mat2 中的矩阵的批矩阵-矩阵乘积。
chain_matmul	返回 $N$ 个 2D 张量的矩阵乘积。
cholesky	计算对称正定矩阵 $A$ 或对称正定矩阵批次的 Cholesky 分解。
cholesky_inverse	计算给定其 Cholesky 分解的复 Hermitian 或实对称正定矩阵的逆。
cholesky_solve	计算给定其 Cholesky 分解的复 Hermitian 或实对称正定 lhs 的线性方程组的解。
dot	计算两个 1D 张量的点积。
geqrf	这是直接调用 LAPACK 的 geqrf 的低级函数。
ger	是 torch.outer() 的别名。
inner	计算 1D 张量的点积。
inverse	是 torch.linalg.inv() 的别名
det	是 torch.linalg.det() 的别名
logdet	计算方阵或方阵批次的 log 行列式。
slogdet	是 torch.linalg.slogdet() 的别名
lu	计算矩阵或矩阵批次的 LU 分解 A。
lu_solve	使用 lu_factor() 中 A 的部分主元 LU 分解返回线性系统 $Ax = b$ 的 LU 解。
lu_unpack	将 lu_factor() 返回的 LU 分解解包到 P, L, U 矩阵中。
matmul	两个张量的矩阵乘积。
matrix_power	是 torch.linalg.matrix_power() 的别名。
matrix_exp	是 torch.linalg.matrix_exp() 的别名。
mm	执行矩阵 input 和 mat2 的矩阵乘法。
mv	执行矩阵 input 和向量 vec 的矩阵向量乘积。
orgqr	是 torch.linalg.householder_product() 的别名。
ormqr	计算一组 Householder 矩阵与一般矩阵的矩阵乘积。
outer	input 和 vec2 的外积。
pinverse	是 torch.linalg.pinv() 的别名。
qr	计算矩阵或一批矩阵 input 的 QR 分解，并返回一个名为元组 (Q, R) 的张量，使得 $\text{input} = Q R$，其中 $Q$ 是一个正交矩阵或一批正交矩阵，而 $R$ 是一个上三角矩阵或一批上三角矩阵。
svd	计算矩阵或矩阵批次的奇异值分解 input。
svd_lowrank	返回矩阵、矩阵批次或稀疏矩阵 $A$ 的奇异值分解 (U, S, V)，使得 $A \approx U diag(S) V^T$.
pca_lowrank	对低秩矩阵、此类矩阵的批次或稀疏矩阵执行线性主成分分析 (PCA)。
lobpcg	使用无矩阵 LOBPCG 方法查找对称正定广义特征值问题的 k 个最大（或最小）特征值及其对应的特征向量。
trapz	是 torch.trapezoid() 的别名。
trapezoid	沿着 dim 计算 梯形法则。
cumulative_trapezoid	沿 dim 累积计算 梯形法则。
triangular_solve	求解具有方形上三角或下三角可逆矩阵 $A$ 和多个右手边 $b$ 的方程组。
vdot	计算两个 1D 向量沿一个维度的点积。

Foreach 操作

警告

此 API 处于测试阶段，可能会在将来发生更改。不支持前向模式 AD。

_foreach_abs	将 torch.abs() 应用于输入列表中的每个张量。
_foreach_abs_	将 torch.abs() 应用于输入列表中的每个张量。
_foreach_acos	将 torch.acos() 应用于输入列表中的每个张量。
_foreach_acos_	将 torch.acos() 应用于输入列表中的每个张量。
_foreach_asin	将 torch.asin() 应用于输入列表中的每个张量。
_foreach_asin_	将 torch.asin() 应用于输入列表中的每个张量。
_foreach_atan	将 torch.atan() 应用于输入列表中的每个张量。
_foreach_atan_	将 torch.atan() 应用于输入列表中的每个张量。
_foreach_ceil	将 torch.ceil() 应用于输入列表中的每个张量。
_foreach_ceil_	将 torch.ceil() 应用于输入列表中的每个张量。
_foreach_cos	将 torch.cos() 应用于输入列表中的每个张量。
_foreach_cos_	将 torch.cos() 应用于输入列表中的每个张量。
_foreach_cosh	将 torch.cosh() 应用于输入列表中的每个张量。
_foreach_cosh_	将 torch.cosh() 应用于输入列表中的每个张量。
_foreach_erf	将 torch.erf() 应用于输入列表中的每个张量。
_foreach_erf_	将 torch.erf() 应用于输入列表中的每个张量。
_foreach_erfc	将 torch.erfc() 应用于输入列表中的每个张量。
_foreach_erfc_	将 torch.erfc() 应用于输入列表中的每个张量。
_foreach_exp	将 torch.exp() 应用于输入列表中的每个张量。
_foreach_exp_	将 torch.exp() 应用于输入列表中的每个张量。
_foreach_expm1	将 torch.expm1() 应用于输入列表中的每个张量。
_foreach_expm1_	将 torch.expm1() 应用于输入列表中的每个张量。
_foreach_floor	将 torch.floor() 应用于输入列表中的每个张量。
_foreach_floor_	将 torch.floor() 应用于输入列表中的每个张量。
_foreach_log	将 torch.log() 应用于输入列表中的每个张量。
_foreach_log_	将 torch.log() 应用于输入列表中的每个张量。
_foreach_log10	将 torch.log10() 应用于输入列表中的每个张量。
_foreach_log10_	将 torch.log10() 应用于输入列表中的每个张量。
_foreach_log1p	将 torch.log1p() 应用于输入列表中的每个张量。
_foreach_log1p_	将 torch.log1p() 应用于输入列表中的每个张量。
_foreach_log2	将 torch.log2() 应用于输入列表中的每个张量。
_foreach_log2_	将 torch.log2() 应用于输入列表中的每个张量。
_foreach_neg	将 torch.neg() 应用于输入列表中的每个张量。
_foreach_neg_	将 torch.neg() 应用于输入列表中的每个张量。
_foreach_tan	将 torch.tan() 应用于输入列表中的每个张量。
_foreach_tan_	将 torch.tan() 应用于输入列表中的每个张量。
_foreach_sin	将 torch.sin() 应用于输入列表中的每个张量。
_foreach_sin_	将 torch.sin() 应用于输入列表中的每个张量。
_foreach_sinh	将 torch.sinh() 应用于输入列表中的每个张量。
_foreach_sinh_	将 torch.sinh() 应用于输入列表中的每个张量。
_foreach_round	将 torch.round() 应用于输入列表中的每个张量。
_foreach_round_	将 torch.round() 应用于输入列表中的每个张量。
_foreach_sqrt	将 torch.sqrt() 应用于输入列表中的每个张量。
_foreach_sqrt_	将 torch.sqrt() 应用于输入列表中的每个张量。
_foreach_lgamma	将 torch.lgamma() 应用于输入列表中的每个张量。
_foreach_lgamma_	将 torch.lgamma() 应用于输入列表中的每个张量。
_foreach_frac	将 torch.frac() 应用于输入列表中的每个张量。
_foreach_frac_	将 torch.frac() 应用于输入列表中的每个张量。
_foreach_reciprocal	将 torch.reciprocal() 应用于输入列表中的每个张量。
_foreach_reciprocal_	将 torch.reciprocal() 应用于输入列表中的每个张量。
_foreach_sigmoid	将 torch.sigmoid() 应用于输入列表中的每个张量。
_foreach_sigmoid_	将 torch.sigmoid() 应用于输入列表中的每个张量。
_foreach_trunc	将 torch.trunc() 应用于输入列表中的每个张量。
_foreach_trunc_	将 torch.trunc() 应用于输入列表中的每个张量。
_foreach_zero_	将 torch.zero() 应用于输入列表中的每个张量。

实用程序

compiled_with_cxx11_abi	返回 PyTorch 是否使用 _GLIBCXX_USE_CXX11_ABI=1 构建。
result_type	返回对提供的输入张量执行算术运算后产生的 torch.dtype。
can_cast	确定在 PyTorch 类型提升 文档 中描述的 PyTorch 类型转换规则下是否允许类型转换。
promote_types	返回torch.dtype，它具有最小的尺寸和标量类型，并且不小于或类型低于 type1 或 type2。
use_deterministic_algorithms	设置 PyTorch 操作是否必须使用“确定性”算法。
are_deterministic_algorithms_enabled	如果全局确定性标志已打开，则返回 True。
is_deterministic_algorithms_warn_only_enabled	如果全局确定性标志设置为仅警告，则返回 True。
set_deterministic_debug_mode	设置确定性操作的调试模式。
get_deterministic_debug_mode	返回确定性操作的调试模式的当前值。
set_float32_matmul_precision	设置 float32 矩阵乘法的内部精度。
get_float32_matmul_precision	返回 float32 矩阵乘法精度的当前值。
set_warn_always	当此标志为 False（默认值）时，某些 PyTorch 警告可能每个进程只出现一次。
is_warn_always_enabled	如果全局 warn_always 标志已打开，则返回 True。
vmap	vmap 是向量化映射；vmap(func) 返回一个新函数，该函数在输入的某个维度上映射 func。
_assert	Python 的 assert 的包装器，它可以符号化地追踪。

符号数字

class torch.SymInt(node)

类似于 int（包括魔术方法），但将所有操作重定向到包装的节点。这特别用于在符号形状工作流程中符号化地记录操作。

class torch.SymFloat(node)

类似于 float（包括魔术方法），但将所有操作重定向到包装的节点。这特别用于在符号形状工作流程中符号化地记录操作。

is_integer()

如果浮点数是整数，则返回 True。

class torch.SymBool(node)

类似于布尔值（包括魔术方法），但将所有对包装节点的操作重定向。这在符号形状工作流程中用于符号记录操作。

与普通布尔值不同，普通布尔运算符将强制执行额外的保护，而不是符号评估。使用按位运算符来处理这种情况。

sym_float	SymInt 感知浮点类型转换实用程序。
sym_int	SymInt 感知整数类型转换实用程序。
sym_max	SymInt 感知 max() 实用程序。
sym_min	SymInt 感知 max() 实用程序。
sym_not	SymInt 感知逻辑否定实用程序。
sym_ite

导出路径

警告

此功能是原型，将来可能会发生兼容性破坏性更改。

export generated/exportdb/index

控制流

警告

此功能是原型，将来可能会发生兼容性破坏性更改。

cond	有条件地应用 true_fn 或 false_fn。

优化

compile

使用 TorchDynamo 和指定的后端优化给定的模型/函数。

torch.compile 文档

运算符标签

class torch.Tag

成员

core

data_dependent_output

dynamic_output_shape

generated

inplace_view

needs_fixed_stride_order

nondeterministic_bitwise

nondeterministic_seeded

pointwise

pt2_compliant_tag

view_copy

property name