快捷方式

torch.Tensor

一个 torch.Tensor 是一个多维矩阵,其中包含单一数据类型的元素。

数据类型

Torch 使用以下数据类型定义张量类型:

数据类型

dtype

32 位浮点型

torch.float32torch.float

64 位浮点型

torch.float64torch.double

16 位浮点型 1

torch.float16torch.half

16 位浮点型 2

torch.bfloat16

32 位复数型

torch.complex32torch.chalf

64 位复数型

torch.complex64torch.cfloat

128 位复数型

torch.complex128torch.cdouble

8 位无符号整型

torch.uint8

16 位无符号整型

torch.uint16 (有限支持) 4

32 位无符号整型

torch.uint32 (有限支持) 4

64 位无符号整型

torch.uint64 (有限支持) 4

8 位有符号整型

torch.int8

16 位有符号整型

torch.int16torch.short

32 位有符号整型

torch.int32torch.int

64 位有符号整型

torch.int64torch.long

布尔型

torch.bool

量化 8 位无符号整型

torch.quint8

量化 8 位有符号整型

torch.qint8

量化 32 位有符号整型

torch.qint32

量化 4 位无符号整型 3

torch.quint4x2

8 位浮点型, e4m3 5

torch.float8_e4m3fn (有限支持)

8 位浮点型, e5m2 5

torch.float8_e5m2 (有限支持)

1

有时称为 binary16:使用 1 个符号位、5 个指数位和 10 个尾数位。当精度很重要但范围可以牺牲时很有用。

2

有时称为 Brain Floating Point:使用 1 个符号位、8 个指数位和 7 个尾数位。当范围很重要时很有用,因为它具有与 float32 相同的指数位数

3

量化 4 位整数存储为 8 位有符号整数。目前仅在 EmbeddingBag 算子中支持。

4(1,2,3)

除了 uint8 之外的无符号类型目前计划仅在 eager 模式下提供有限支持(它们主要用于协助与 torch.compile 的使用);如果您需要 eager 支持且不需要额外的范围,我们建议使用其有符号变体代替。更多详细信息请参阅 https://github.com/pytorch/pytorch/issues/58734

5(1,2)

torch.float8_e4m3fntorch.float8_e5m2 实现了 https://arxiv.org/abs/2209.05433 中 8 位浮点类型的规范。算子支持非常有限。

为了向后兼容,我们支持以下这些数据类型的备用类名:

数据类型

CPU 张量

GPU 张量

32 位浮点型

torch.FloatTensor

torch.cuda.FloatTensor

64 位浮点型

torch.DoubleTensor

torch.cuda.DoubleTensor

16 位浮点型

torch.HalfTensor

torch.cuda.HalfTensor

16 位浮点型

torch.BFloat16Tensor

torch.cuda.BFloat16Tensor

8 位无符号整型

torch.ByteTensor

torch.cuda.ByteTensor

8 位有符号整型

torch.CharTensor

torch.cuda.CharTensor

16 位有符号整型

torch.ShortTensor

torch.cuda.ShortTensor

32 位有符号整型

torch.IntTensor

torch.cuda.IntTensor

64 位有符号整型

torch.LongTensor

torch.cuda.LongTensor

布尔型

torch.BoolTensor

torch.cuda.BoolTensor

然而,要构造张量,我们建议使用如 torch.empty() 这样的工厂函数,并指定 dtype 参数。 torch.Tensor 构造函数是默认张量类型 (torch.FloatTensor) 的别名。

初始化和基本操作

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() 总是复制 data。如果你有一个 Tensor data 并且只想改变其 requires_grad 标志,请使用 requires_grad_()detach() 以避免复制。如果你有一个 numpy 数组并且想避免复制,请使用 torch.as_tensor()

可以通过向构造函数或张量创建操作传递 torch.dtype 和/或 torch.device 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')

有关构建张量的更多信息,请参阅 创建操作 (Creation Ops)

可以使用 Python 的索引和切片表示法访问和修改张量的内容

>>> 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() 从包含单个值的张量中获取 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

有关索引的更多信息,请参阅 索引、切片、连接、变动操作 (Indexing, Slicing, Joining, Mutating Ops)

可以创建一个张量并设置 requires_grad=True,以便 torch.autograd 记录其上的操作以便进行自动微分。

>>> 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,用于存放其数据。张量类还提供了对存储的多维、带跨步的 视图,并定义了其上的数值操作。

注意

有关张量视图的更多信息,请参阅 张量视图 (Tensor Views)

注意

有关 torch.dtype, torch.devicetorch.layout 这三个 torch.Tensor 属性的更多信息,请参阅 张量属性 (Tensor Attributes)

注意

修改张量的方法通常带有下划线后缀。例如,torch.FloatTensor.abs_() 就地计算绝对值并返回修改后的张量,而 torch.FloatTensor.abs() 则在一个新张量中计算结果。

注意

要更改现有张量的 torch.device 和/或 torch.dtype,请考虑使用张量的 to() 方法。

警告

torch.Tensor 的当前实现会引入内存开销,因此在涉及许多微小张量的应用程序中,可能会导致内存使用量异常高。如果是这种情况,请考虑使用一个大型结构。

Tensor 类参考

class torch.Tensor

根据您的用例,有几种主要方法可以创建张量。

  • 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(参阅 创建操作 (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(参阅 创建操作 (Creation Ops))。

  • 要创建与另一个张量类型相似但大小不同的张量,请使用 tensor.new_* 创建操作。

  • 有一个不推荐使用的旧版构造函数 torch.Tensor。建议改用 torch.tensor()

Tensor.__init__(self, data)

此构造函数已弃用,我们建议改用 torch.tensor()。此构造函数的作用取决于 data 的类型。

  • 如果 data 是一个 Tensor,则返回原始 Tensor 的别名。与 torch.tensor() 不同,这会跟踪 autograd 并将梯度传播到原始 Tensor。device kwarg 不支持此 data 类型。

  • 如果 data 是序列或嵌套序列,则创建一个默认 dtype(通常为 torch.float32)的张量,其数据是序列中的值,必要时执行强制类型转换。值得注意的是,这与 torch.tensor() 不同,此构造函数将始终构造一个浮点张量,即使输入全部是整数。

  • 如果 data 是一个 torch.Size,则返回该大小的空张量。

此构造函数不支持显式指定返回张量的 dtypedevice。我们建议使用提供此功能的 torch.tensor()

参数

data (array_like): 用于构造张量的数据。

关键字参数
device (torch.device, optional):返回张量的期望设备。

默认值:如果为 None,则与此张量使用相同的 torch.device

Tensor.T

返回此张量的维度反转的视图。

如果 nx 中的维度数,则 x.T 等价于 x.permute(n-1, n-2, ..., 0)

警告

对维度不为 2 的张量使用 Tensor.T() 反转其形状的操作已弃用,未来版本将引发错误。请考虑使用 mT 转置矩阵批次,或使用 x.permute(*torch.arange(x.ndim - 1, -1, -1)) 反转张量的维度。

Tensor.H

返回共轭转置的矩阵(2D 张量)的视图。

对于复数矩阵,x.H 等价于 x.transpose(0, 1).conj();对于实数矩阵,等价于 x.transpose(0, 1)

另请参阅

mH: 适用于矩阵批次的属性。

Tensor.mT

返回此张量的最后两个维度转置的视图。

x.mT 等价于 x.transpose(-2, -1)

Tensor.mH

访问此属性等同于调用 adjoint()

Tensor.new_tensor

返回一个新 Tensor,其张量数据为 data

Tensor.new_full

返回一个大小为 size 并填充 fill_value 的 Tensor。

Tensor.new_empty

返回一个大小为 size 并填充未初始化数据的 Tensor。

Tensor.new_ones

返回一个大小为 size 并填充 1 的 Tensor。

Tensor.new_zeros

返回一个大小为 size 并填充 0 的 Tensor。

Tensor.is_cuda

如果 Tensor 存储在 GPU 上,则为 True,否则为 False

Tensor.is_quantized

如果 Tensor 已量化,则为 True,否则为 False

Tensor.is_meta

如果 Tensor 是 meta 张量,则为 True,否则为 False

Tensor.device

此 Tensor 所在的 torch.device

Tensor.grad

此属性默认为 None,并在第一次调用 backward() 计算 self 的梯度时变为一个 Tensor。

Tensor.ndim

dim() 的别名

Tensor.real

对于复数值输入张量,返回一个包含 self 张量的实部值的新张量。

Tensor.imag

返回一个包含 self 张量的虚部值的新张量。

Tensor.nbytes

如果 Tensor 不使用稀疏存储布局,则返回 Tensor 元素的“视图”消耗的字节数。

Tensor.itemsize

element_size() 的别名

Tensor.abs

参阅 torch.abs()

Tensor.abs_

abs() 的就地版本

Tensor.absolute

abs() 的别名

Tensor.absolute_

absolute() 的就地版本。abs_() 的别名

Tensor.acos

参阅 torch.acos()

Tensor.acos_

acos() 的就地版本

Tensor.arccos

请参阅 torch.arccos()

Tensor.arccos_

arccos() 的就地版本

Tensor.add

将标量或张量添加到 self 张量。

Tensor.add_

add() 的就地版本

Tensor.addbmm

请参阅 torch.addbmm()

Tensor.addbmm_

addbmm() 的就地版本

Tensor.addcdiv

请参阅 torch.addcdiv()

Tensor.addcdiv_

addcdiv() 的就地版本

Tensor.addcmul

请参阅 torch.addcmul()

Tensor.addcmul_

addcmul() 的就地版本

Tensor.addmm

请参阅 torch.addmm()

Tensor.addmm_

addmm() 的就地版本

Tensor.sspaddmm

请参阅 torch.sspaddmm()

Tensor.addmv

请参阅 torch.addmv()

Tensor.addmv_

addmv() 的就地版本

Tensor.addr

请参阅 torch.addr()

Tensor.addr_

addr() 的就地版本

Tensor.adjoint

adjoint() 的别名

Tensor.allclose

请参阅 torch.allclose()

Tensor.amax

请参阅 torch.amax()

Tensor.amin

请参阅 torch.amin()

Tensor.aminmax

请参阅 torch.aminmax()

Tensor.angle

请参阅 torch.angle()

Tensor.apply_

对张量中的每个元素应用函数 callable,并将每个元素替换为由 callable 返回的值。

Tensor.argmax

请参阅 torch.argmax()

Tensor.argmin

请参阅 torch.argmin()

Tensor.argsort

请参阅 torch.argsort()

Tensor.argwhere

请参阅 torch.argwhere()

Tensor.asin

请参阅 torch.asin()

Tensor.asin_

asin() 的就地版本

Tensor.arcsin

请参阅 torch.arcsin()

Tensor.arcsin_

arcsin() 的就地版本

Tensor.as_strided

请参阅 torch.as_strided()

Tensor.atan

请参阅 torch.atan()

Tensor.atan_

atan() 的就地版本

Tensor.arctan

请参阅 torch.arctan()

Tensor.arctan_

arctan() 的就地版本

Tensor.atan2

请参阅 torch.atan2()

Tensor.atan2_

atan2() 的就地版本

Tensor.arctan2

请参阅 torch.arctan2()

Tensor.arctan2_

atan2_(other) -> Tensor

Tensor.all

请参阅 torch.all()

Tensor.any

请参阅 torch.any()

Tensor.backward

计算当前张量相对于图叶节点的梯度。

Tensor.baddbmm

请参阅 torch.baddbmm()

Tensor.baddbmm_

baddbmm() 的就地版本

Tensor.bernoulli

返回一个结果张量,其中每个 result[i]\texttt{result[i]} 都从 Bernoulli(self[i])\text{Bernoulli}(\texttt{self[i]}) 中独立采样。

Tensor.bernoulli_

用从 Bernoulli(p)\text{Bernoulli}(\texttt{p}) 中独立采样的样本填充 self 的每个位置。

Tensor.bfloat16

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

Tensor.bincount

请参阅 torch.bincount()

Tensor.bitwise_not

请参阅 torch.bitwise_not()

Tensor.bitwise_not_

bitwise_not() 的就地版本

Tensor.bitwise_and

请参阅 torch.bitwise_and()

Tensor.bitwise_and_

bitwise_and() 的就地版本

Tensor.bitwise_or

请参阅 torch.bitwise_or()

Tensor.bitwise_or_

bitwise_or() 的就地版本

Tensor.bitwise_xor

请参阅 torch.bitwise_xor()

Tensor.bitwise_xor_

bitwise_xor() 的就地版本

Tensor.bitwise_left_shift

请参阅 torch.bitwise_left_shift()

Tensor.bitwise_left_shift_

bitwise_left_shift() 的就地版本

Tensor.bitwise_right_shift

请参阅 torch.bitwise_right_shift()

Tensor.bitwise_right_shift_

bitwise_right_shift() 的就地版本

Tensor.bmm

请参阅 torch.bmm()

Tensor.bool

self.bool() 等效于 self.to(torch.bool)

Tensor.byte

self.byte() 等效于 self.to(torch.uint8)

Tensor.broadcast_to

请参阅 torch.broadcast_to()

Tensor.cauchy_

用从柯西分布中抽取的数字填充张量

Tensor.ceil

请参阅 torch.ceil()

Tensor.ceil_

ceil() 的就地版本

Tensor.char

self.char() 等效于 self.to(torch.int8)

Tensor.cholesky

请参阅 torch.cholesky()

Tensor.cholesky_inverse

请参阅 torch.cholesky_inverse()

Tensor.cholesky_solve

请参阅 torch.cholesky_solve()

Tensor.chunk

请参阅 torch.chunk()

Tensor.clamp

请参阅 torch.clamp()

Tensor.clamp_

clamp() 的就地版本

Tensor.clip

clamp() 的别名。

Tensor.clip_

clamp_() 的别名。

Tensor.clone

请参阅 torch.clone()

Tensor.contiguous

返回一个内存连续的张量,其包含与 self 张量相同的数据。

Tensor.copy_

src 中的元素复制到 self 张量中,并返回 self

Tensor.conj

请参阅 torch.conj()

Tensor.conj_physical

请参阅 torch.conj_physical()

Tensor.conj_physical_

conj_physical() 的就地版本

Tensor.resolve_conj

请参阅 torch.resolve_conj()

Tensor.resolve_neg

请参阅 torch.resolve_neg()

Tensor.copysign

请参阅 torch.copysign()

Tensor.copysign_

copysign() 的就地版本

Tensor.cos

请参阅 torch.cos()

Tensor.cos_

cos() 的就地版本

Tensor.cosh

请参阅 torch.cosh()

Tensor.cosh_

cosh() 的就地版本

Tensor.corrcoef

请参阅 torch.corrcoef()

Tensor.count_nonzero

请参阅 torch.count_nonzero()

Tensor.cov

请参阅 torch.cov()

Tensor.acosh

请参阅 torch.acosh()

Tensor.acosh_

acosh() 的就地版本

Tensor.arccosh

acosh() -> Tensor

Tensor.arccosh_

acosh_() -> Tensor

Tensor.cpu

返回此对象在 CPU 内存中的副本。

Tensor.cross

请参阅 torch.cross()

Tensor.cuda

返回此对象在 CUDA 内存中的副本。

Tensor.logcumsumexp

请参阅 torch.logcumsumexp()

Tensor.cummax

请参阅 torch.cummax()

Tensor.cummin

请参阅 torch.cummin()

Tensor.cumprod

请参阅 torch.cumprod()

Tensor.cumprod_

cumprod() 的就地版本

Tensor.cumsum

请参阅 torch.cumsum()

Tensor.cumsum_

cumsum() 的就地版本

Tensor.chalf

self.chalf() 等效于 self.to(torch.complex32)

Tensor.cfloat

self.cfloat() 等效于 self.to(torch.complex64)

Tensor.cdouble

self.cdouble() 等效于 self.to(torch.complex128)

Tensor.data_ptr

返回 self 张量第一个元素的地址。

Tensor.deg2rad

请参阅 torch.deg2rad()

Tensor.dequantize

给定一个量化张量,对其进行反量化并返回反量化的浮点张量。

Tensor.det

请参阅 torch.det()

Tensor.dense_dim

返回 稀疏张量 self 中的密集维度数量。

Tensor.detach

返回一个新的张量,该张量从当前计算图中分离出来。

Tensor.detach_

将张量从创建它的计算图中分离出来,使其成为叶节点。

Tensor.diag

请参阅 torch.diag()

Tensor.diag_embed

请参阅 torch.diag_embed()

Tensor.diagflat

请参阅 torch.diagflat()

Tensor.diagonal

请参阅 torch.diagonal()

Tensor.diagonal_scatter

请参阅 torch.diagonal_scatter()

Tensor.fill_diagonal_

填充具有至少 2 维张量的主对角线。

Tensor.fmax

请参阅 torch.fmax()

Tensor.fmin

请参阅 torch.fmin()

Tensor.diff

请参阅 torch.diff()

Tensor.digamma

请参阅 torch.digamma()

Tensor.digamma_

digamma() 的就地版本

Tensor.dim

返回 self 张量的维度数量。

Tensor.dim_order

返回唯一确定的整数元组,描述 self 的维度顺序或物理布局。

Tensor.dist

请参阅 torch.dist()

Tensor.div

请参阅 torch.div()

Tensor.div_

div() 的就地版本

Tensor.divide

请参阅 torch.divide()

Tensor.divide_

divide() 的就地版本

Tensor.dot

请参阅 torch.dot()

Tensor.double

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

Tensor.dsplit

请参阅 torch.dsplit()

Tensor.element_size

返回单个元素的字节大小。

Tensor.eq

请参阅 torch.eq()

Tensor.eq_

eq() 的就地版本

Tensor.equal

请参阅 torch.equal()

Tensor.erf

请参阅 torch.erf()

Tensor.erf_

erf() 的就地版本

Tensor.erfc

请参阅 torch.erfc()

Tensor.erfc_

erfc() 的就地版本

Tensor.erfinv

请参阅 torch.erfinv()

Tensor.erfinv_

erfinv() 的就地版本

Tensor.exp

请参阅 torch.exp()

Tensor.exp_

exp() 的就地版本

Tensor.expm1

请参阅 torch.expm1()

Tensor.expm1_

expm1() 的就地版本

Tensor.expand

返回 self 张量的新视图,其中单例维度被扩展到更大的尺寸。

Tensor.expand_as

将此张量扩展到与 other 相同的尺寸。

Tensor.exponential_

用从 PDF (概率密度函数) 中抽取的元素填充 self 张量

Tensor.fix

请参阅 torch.fix()

Tensor.fix_

fix() 的就地版本

Tensor.fill_

用指定的值填充 self 张量。

Tensor.flatten

请参阅 torch.flatten()

Tensor.flip

请参阅 torch.flip()

Tensor.fliplr

请参阅 torch.fliplr()

Tensor.flipud

请参阅 torch.flipud()

Tensor.float

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

Tensor.float_power

请参阅 torch.float_power()

Tensor.float_power_

float_power() 的就地版本

Tensor.floor

请参阅 torch.floor()

Tensor.floor_

floor() 的就地版本

Tensor.floor_divide

请参阅 torch.floor_divide()

Tensor.floor_divide_

floor_divide() 的就地版本

Tensor.fmod

请参阅 torch.fmod()

Tensor.fmod_

fmod() 的就地版本

Tensor.frac

请参阅 torch.frac()

Tensor.frac_

frac() 的就地版本

Tensor.frexp

请参阅 torch.frexp()

Tensor.gather

请参阅 torch.gather()

Tensor.gcd

请参阅 torch.gcd()

Tensor.gcd_

gcd() 的就地版本

Tensor.ge

请参阅 torch.ge()

Tensor.ge_

ge() 的原地版本。

Tensor.greater_equal

请参阅 torch.greater_equal()

Tensor.greater_equal_

greater_equal() 的原地版本。

Tensor.geometric_

用从几何分布中抽取的元素填充 self 张量

Tensor.geqrf

请参阅 torch.geqrf()

Tensor.ger

请参阅 torch.ger()

Tensor.get_device

对于 CUDA 张量,此函数返回张量所在的 GPU 的设备序号。

Tensor.gt

请参阅 torch.gt()

Tensor.gt_

gt() 的原地版本。

Tensor.greater

请参阅 torch.greater()

Tensor.greater_

greater() 的原地版本。

Tensor.half

self.half() 等价于 self.to(torch.float16)

Tensor.hardshrink

请参阅 torch.nn.functional.hardshrink()

Tensor.heaviside

请参阅 torch.heaviside()

Tensor.histc

请参阅 torch.histc()

Tensor.histogram

请参阅 torch.histogram()

Tensor.hsplit

请参阅 torch.hsplit()

Tensor.hypot

请参阅 torch.hypot()

Tensor.hypot_

hypot() 的原地版本

Tensor.i0

请参阅 torch.i0()

Tensor.i0_

i0() 的原地版本

Tensor.igamma

请参阅 torch.igamma()

Tensor.igamma_

igamma() 的原地版本

Tensor.igammac

请参阅 torch.igammac()

Tensor.igammac_

igammac() 的原地版本

Tensor.index_add_

alpha 乘以 source 的元素按 index 中给定的顺序累加到 self 张量中。

Tensor.index_add

torch.Tensor.index_add_() 的非原地版本。

Tensor.index_copy_

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。

Tensor.index_copy

torch.Tensor.index_copy_() 的非原地版本。

Tensor.index_fill_

通过按 index 中给定的顺序选择索引,用值 value 填充 self 张量的元素。

Tensor.index_fill

torch.Tensor.index_fill_() 的非原地版本。

Tensor.index_put_

使用 indices 中指定的索引(这是一个张量元组),将张量 values 中的值放入张量 self 中。

Tensor.index_put

index_put_() 的非原地版本。

Tensor.index_reduce_

使用 reduce 参数指定的归约方法,将 source 的元素按 index 中给定的顺序累加到 self 张量中。

Tensor.index_reduce

Tensor.index_select

请参阅 torch.index_select()

Tensor.indices

返回 稀疏 COO 张量 的索引张量。

Tensor.inner

请参阅 torch.inner()

Tensor.int

self.int() 等价于 self.to(torch.int32)

Tensor.int_repr

给定一个量化张量,self.int_repr() 返回一个数据类型为 uint8_t 的 CPU 张量,它存储给定张量的底层 uint8_t 值。

Tensor.inverse

请参阅 torch.inverse()

Tensor.isclose

请参阅 torch.isclose()

Tensor.isfinite

请参阅 torch.isfinite()

Tensor.isinf

请参阅 torch.isinf()

Tensor.isposinf

请参阅 torch.isposinf()

Tensor.isneginf

请参阅 torch.isneginf()

Tensor.isnan

请参阅 torch.isnan()

Tensor.is_contiguous

如果 self 张量按内存格式指定的顺序在内存中是连续的,则返回 True。

Tensor.is_complex

如果 self 的数据类型是复数数据类型,则返回 True。

Tensor.is_conj

如果 self 的共轭位设置为 true,则返回 True。

Tensor.is_floating_point

如果 self 的数据类型是浮点数据类型,则返回 True。

Tensor.is_inference

请参阅 torch.is_inference()

Tensor.is_leaf

按照惯例,所有 requires_gradFalse 的张量都将是叶张量。

Tensor.is_pinned

如果此张量驻留在固定内存中,则返回 true。

Tensor.is_set_to

如果两个张量指向完全相同的内存(相同的存储、偏移、大小和步长),则返回 True。

Tensor.is_shared

检查张量是否在共享内存中。

Tensor.is_signed

如果 self 的数据类型是有符号数据类型,则返回 True。

Tensor.is_sparse

如果张量使用稀疏 COO 存储布局,则为 True,否则为 False

Tensor.istft

请参阅 torch.istft()

Tensor.isreal

请参阅 torch.isreal()

Tensor.item

返回此张量的值作为标准的 Python 数字。

Tensor.kthvalue

请参阅 torch.kthvalue()

Tensor.lcm

请参阅 torch.lcm()

Tensor.lcm_

lcm() 的原地版本

Tensor.ldexp

请参阅 torch.ldexp()

Tensor.ldexp_

ldexp() 的原地版本

Tensor.le

请参阅 torch.le()

Tensor.le_

le() 的原地版本。

Tensor.less_equal

请参阅 torch.less_equal()

Tensor.less_equal_

less_equal() 的原地版本。

Tensor.lerp

请参阅 torch.lerp()

Tensor.lerp_

lerp() 的原地版本

Tensor.lgamma

请参阅 torch.lgamma()

Tensor.lgamma_

lgamma() 的原地版本

Tensor.log

请参阅 torch.log()

Tensor.log_

log() 的原地版本

Tensor.logdet

请参阅 torch.logdet()

Tensor.log10

请参阅 torch.log10()

Tensor.log10_

log10() 的原地版本

Tensor.log1p

请参阅 torch.log1p()

Tensor.log1p_

log1p() 的原地版本

Tensor.log2

请参阅 torch.log2()

Tensor.log2_

log2() 的原地版本

Tensor.log_normal_

用从由给定的均值 μ\mu 和标准差 σ\sigma 参数化的对数正态分布中采样的数字填充 self 张量。

Tensor.logaddexp

请参阅 torch.logaddexp()

Tensor.logaddexp2

请参阅 torch.logaddexp2()

Tensor.logsumexp

请参阅 torch.logsumexp()

Tensor.logical_and

请参阅 torch.logical_and()

Tensor.logical_and_

logical_and() 的原地版本

Tensor.logical_not

请参阅 torch.logical_not()

Tensor.logical_not_

logical_not() 的原地版本

Tensor.logical_or

请参阅 torch.logical_or()

Tensor.logical_or_

logical_or() 的原地版本

Tensor.logical_xor

请参阅 torch.logical_xor()

Tensor.logical_xor_

logical_xor() 的原地版本

Tensor.logit

请参阅 torch.logit()

Tensor.logit_

logit() 的原地版本

Tensor.long

self.long() 等价于 self.to(torch.int64)

Tensor.lt

请参阅 torch.lt()

Tensor.lt_

lt() 的原地版本。

Tensor.less

lt(other) -> Tensor

Tensor.less_

less() 的原地版本。

Tensor.lu

请参阅 torch.lu()

Tensor.lu_solve

请参阅 torch.lu_solve()

Tensor.as_subclass

创建一个与 self 具有相同数据指针的 cls 实例。

Tensor.map_

self 张量和给定的 tensor 中的每个元素应用 callable,并将结果存储到 self 张量中。

Tensor.masked_scatter_

source 中的元素复制到 self 张量中 mask 为 True 的位置。

Tensor.masked_scatter

torch.Tensor.masked_scatter_() 的非原地版本

Tensor.masked_fill_

用值 value 填充 self 张量中 mask 为 True 的元素。

Tensor.masked_fill

torch.Tensor.masked_fill_() 的非原地版本

Tensor.masked_select

请参阅 torch.masked_select()

Tensor.matmul

请参阅 torch.matmul()

Tensor.matrix_power

注意

matrix_power() 已弃用,请改用 torch.linalg.matrix_power()

Tensor.matrix_exp

请参阅 torch.matrix_exp()

Tensor.max

请参阅 torch.max()

Tensor.maximum

请参阅 torch.maximum()

Tensor.mean

请参阅 torch.mean()

Tensor.module_load

定义在 load_state_dict() 中将 other 加载到 self 时如何转换 other

Tensor.nanmean

请参阅 torch.nanmean()

Tensor.median

请参阅 torch.median()

Tensor.nanmedian

请参阅 torch.nanmedian()

Tensor.min

请参阅 torch.min()

Tensor.minimum

请参阅 torch.minimum()

Tensor.mm

请参阅 torch.mm()

Tensor.smm

请参阅 torch.smm()

Tensor.mode

请参阅 torch.mode()

Tensor.movedim

请参阅 torch.movedim()

Tensor.moveaxis

请参阅 torch.moveaxis()

Tensor.msort

请参阅 torch.msort()

Tensor.mul

请参阅 torch.mul()

Tensor.mul_

mul() 的原地版本。

Tensor.multiply

请参阅 torch.multiply()

Tensor.multiply_

multiply() 的原地版本。

Tensor.multinomial

请参阅 torch.multinomial()

Tensor.mv

请参阅 torch.mv()

Tensor.mvlgamma

请参阅 torch.mvlgamma()

Tensor.mvlgamma_

mvlgamma() 的原地版本

Tensor.nansum

请参阅 torch.nansum()

Tensor.narrow

请参阅 torch.narrow()

Tensor.narrow_copy

请参阅 torch.narrow_copy()

Tensor.ndimension

dim() 的别名

Tensor.nan_to_num

请参阅 torch.nan_to_num()

Tensor.nan_to_num_

nan_to_num() 的原地版本。

Tensor.ne

请参阅 torch.ne()

Tensor.ne_

ne() 的原地版本。

Tensor.not_equal

请参阅 torch.not_equal()

Tensor.not_equal_

not_equal() 的原地版本。

Tensor.neg

请参阅 torch.neg()

Tensor.neg_

neg() 的原地版本

Tensor.negative

请参阅 torch.negative()

Tensor.negative_

negative() 的原地版本

Tensor.nelement

numel() 的别名。

Tensor.nextafter

请参阅 torch.nextafter()

Tensor.nextafter_

nextafter() 的原地版本

Tensor.nonzero

请参阅 torch.nonzero()

Tensor.norm

请参阅 torch.norm()

Tensor.normal_

用从由 meanstd 参数化的正态分布中采样的元素填充 self 张量。

Tensor.numel

请参阅 torch.numel()

Tensor.numpy

将张量作为 NumPy ndarray 返回。

Tensor.orgqr

参阅 torch.orgqr()

Tensor.ormqr

参阅 torch.ormqr()

Tensor.outer

参阅 torch.outer()

Tensor.permute

参阅 torch.permute()

Tensor.pin_memory

将张量复制到固定内存中,如果尚未固定的话。

Tensor.pinverse

参阅 torch.pinverse()

Tensor.polygamma

参阅 torch.polygamma()

Tensor.polygamma_

polygamma() 的原地版本。

Tensor.positive

参阅 torch.positive()

Tensor.pow

参阅 torch.pow()

Tensor.pow_

pow() 的原地版本。

Tensor.prod

参阅 torch.prod()

Tensor.put_

source 中的元素复制到由 index 指定的位置。

Tensor.qr

参阅 torch.qr()

Tensor.qscheme

返回给定 QTensor 的量化方案。

Tensor.quantile

参阅 torch.quantile()

Tensor.nanquantile

参阅 torch.nanquantile()

Tensor.q_scale

给定通过线性(仿射)量化量化的张量,返回底层量化器的尺度。

Tensor.q_zero_point

给定通过线性(仿射)量化量化的张量,返回底层量化器的零点。

Tensor.q_per_channel_scales

给定通过线性(仿射)逐通道量化量化的张量,返回底层量化器的尺度张量。

Tensor.q_per_channel_zero_points

给定通过线性(仿射)逐通道量化量化的张量,返回底层量化器的零点张量。

Tensor.q_per_channel_axis

给定通过线性(仿射)逐通道量化量化的张量,返回应用逐通道量化的维度的索引。

Tensor.rad2deg

参阅 torch.rad2deg()

Tensor.random_

使用从离散均匀分布 [from, to - 1] 中采样的数字填充 self 张量。

Tensor.ravel

参阅 torch.ravel()

Tensor.reciprocal

参阅 torch.reciprocal()

Tensor.reciprocal_

reciprocal() 的原地版本。

Tensor.record_stream

标记张量已被此流使用过。

Tensor.register_hook

注册一个反向钩子。

Tensor.register_post_accumulate_grad_hook

注册一个在梯度累积后运行的反向钩子。

Tensor.remainder

参阅 torch.remainder()

Tensor.remainder_

remainder() 的原地版本。

Tensor.renorm

参阅 torch.renorm()

Tensor.renorm_

renorm() 的原地版本。

Tensor.repeat

沿着指定的维度重复此张量。

Tensor.repeat_interleave

参阅 torch.repeat_interleave()

Tensor.requires_grad

如果需要计算此张量的梯度,则为 True,否则为 False

Tensor.requires_grad_

更改自动微分是否应该记录此张量上的操作:原地设置此张量的 requires_grad 属性。

Tensor.reshape

返回一个与 self 具有相同数据和元素数量但具有指定形状的张量。

Tensor.reshape_as

返回此张量,其形状与 other 相同。

Tensor.resize_

self 张量的大小调整为指定大小。

Tensor.resize_as_

self 张量的大小调整为与指定的 tensor 大小相同。

Tensor.retain_grad

启用此张量在 backward() 期间填充其 grad

Tensor.retains_grad

如果此张量是非叶子张量且其 gradbackward() 期间被启用填充,则为 True,否则为 False

Tensor.roll

参阅 torch.roll()

Tensor.rot90

参阅 torch.rot90()

Tensor.round

参阅 torch.round()

Tensor.round_

round() 的原地版本。

Tensor.rsqrt

参阅 torch.rsqrt()

Tensor.rsqrt_

rsqrt() 的原地版本。

Tensor.scatter

torch.Tensor.scatter_() 的非原地版本。

Tensor.scatter_

将张量 src 中的所有值写入 self 张量中由 index 张量指定的索引位置。

Tensor.scatter_add_

以类似于 scatter_() 的方式,将张量 src 中的所有值添加到 self 张量中由 index 张量指定的索引位置。

Tensor.scatter_add

torch.Tensor.scatter_add_() 的非原地版本。

Tensor.scatter_reduce_

使用通过 reduce 参数定义的约简方法("sum", "prod", "mean", "amax", "amin"),将 src 张量中的所有值约简到 self 张量中由 index 张量指定的索引位置。

Tensor.scatter_reduce

torch.Tensor.scatter_reduce_() 的非原地版本。

Tensor.select

参阅 torch.select()

Tensor.select_scatter

参阅 torch.select_scatter()

Tensor.set_

设置底层的存储、大小和步长。

Tensor.share_memory_

将底层存储移动到共享内存。

Tensor.short

self.short() 等同于 self.to(torch.int16)

Tensor.sigmoid

参阅 torch.sigmoid()

Tensor.sigmoid_

sigmoid() 的原地版本。

Tensor.sign

参阅 torch.sign()

Tensor.sign_

sign() 的原地版本。

Tensor.signbit

参阅 torch.signbit()

Tensor.sgn

参阅 torch.sgn()

Tensor.sgn_

sgn() 的原地版本。

Tensor.sin

参阅 torch.sin()

Tensor.sin_

sin() 的原地版本。

Tensor.sinc

参阅 torch.sinc()

Tensor.sinc_

sinc() 的原地版本。

Tensor.sinh

参阅 torch.sinh()

Tensor.sinh_

sinh() 的原地版本。

Tensor.asinh

参阅 torch.asinh()

Tensor.asinh_

asinh() 的原地版本。

Tensor.arcsinh

参阅 torch.arcsinh()

Tensor.arcsinh_

arcsinh() 的原地版本。

Tensor.shape

返回 self 张量的大小。

Tensor.size

返回 self 张量的大小。

Tensor.slogdet

参阅 torch.slogdet()

Tensor.slice_scatter

参阅 torch.slice_scatter()

Tensor.softmax

torch.nn.functional.softmax() 的别名。

Tensor.sort

参阅 torch.sort()

Tensor.split

参阅 torch.split()

Tensor.sparse_mask

返回一个新的稀疏张量,其值来自一个跨步张量 self,并由稀疏张量 mask 的索引进行过滤。

Tensor.sparse_dim

返回稀疏张量 self 中的稀疏维度数量。

Tensor.sqrt

参阅 torch.sqrt()

Tensor.sqrt_

sqrt() 的原地版本。

Tensor.square

参阅 torch.square()

Tensor.square_

square() 的原地版本。

Tensor.squeeze

参阅 torch.squeeze()

Tensor.squeeze_

squeeze() 的原地版本。

Tensor.std

参阅 torch.std()

Tensor.stft

参阅 torch.stft()

Tensor.storage

返回底层 TypedStorage

Tensor.untyped_storage

返回底层 UntypedStorage

Tensor.storage_offset

返回 self 张量在底层存储中的偏移量,单位是存储元素的数量(非字节)。

Tensor.storage_type

返回底层存储的类型。

Tensor.stride

返回 self 张量的步长。

Tensor.sub

参阅 torch.sub()

Tensor.sub_

sub() 的原地版本。

Tensor.subtract

参阅 torch.subtract()

Tensor.subtract_

subtract() 的原地版本。

Tensor.sum

参阅 torch.sum()

Tensor.sum_to_size

this 张量求和到 size

Tensor.svd

参阅 torch.svd()

Tensor.swapaxes

参阅 torch.swapaxes()

Tensor.swapdims

参阅 torch.swapdims()

Tensor.t

参阅 torch.t()

Tensor.t_

t() 的原地版本。

Tensor.tensor_split

参阅 torch.tensor_split()

Tensor.tile

参阅 torch.tile()

Tensor.to

执行张量 dtype 和/或设备的转换。

Tensor.to_mkldnn

返回张量在 torch.mkldnn 布局中的副本。

Tensor.take

参阅 torch.take()

Tensor.take_along_dim

参阅 torch.take_along_dim()

Tensor.tan

参阅 torch.tan()

Tensor.tan_

tan() 的原地版本。

Tensor.tanh

参阅 torch.tanh()

Tensor.tanh_

tanh() 的原地版本。

Tensor.atanh

参阅 torch.atanh()

Tensor.atanh_

atanh() 的原地版本。

Tensor.arctanh

参阅 torch.arctanh()

Tensor.arctanh_

arctanh() 的原地版本。

Tensor.tolist

将张量作为(嵌套)列表返回。

Tensor.topk

参阅 torch.topk()

Tensor.to_dense

如果 self 不是跨步张量,则创建其跨步副本,否则返回 self

Tensor.to_sparse

返回张量的稀疏副本。

Tensor.to_sparse_csr

将张量转换为压缩行存储格式 (CSR)。

Tensor.to_sparse_csc

将张量转换为压缩列存储格式 (CSC)。

Tensor.to_sparse_bsr

将张量转换为给定块大小的块稀疏行 (BSR) 存储格式。

Tensor.to_sparse_bsc

将张量转换为给定块大小的块稀疏列 (BSC) 存储格式。

Tensor.trace

参阅 torch.trace()

Tensor.transpose

参阅 torch.transpose()

Tensor.transpose_

transpose() 的原地版本。

Tensor.triangular_solve

参阅 torch.triangular_solve()

Tensor.tril

参阅 torch.tril()

Tensor.tril_

tril() 的原地版本。

Tensor.triu

参阅 torch.triu()

Tensor.triu_

triu() 的原地版本。

Tensor.true_divide

参阅 torch.true_divide()

Tensor.true_divide_

true_divide_() 的原地版本。

Tensor.trunc

参阅 torch.trunc()

Tensor.trunc_

trunc() 的原地版本。

Tensor.type

如果未提供 dtype,则返回类型;否则将此对象转换为指定类型。

Tensor.type_as

返回转换为给定张量类型的此张量。

Tensor.unbind

参阅 torch.unbind()

Tensor.unflatten

参阅 torch.unflatten()

Tensor.unfold

返回原始张量的一个视图,该视图包含 self 张量在维度 dimension 中所有大小为 size 的切片。

Tensor.uniform_

使用从连续均匀分布中采样的数字填充 self 张量。

Tensor.unique

返回输入张量的唯一元素。

Tensor.unique_consecutive

消除每个连续等效元素组中除第一个元素外的所有元素。

Tensor.unsqueeze

参阅 torch.unsqueeze()

Tensor.unsqueeze_

unsqueeze() 的原地版本。

Tensor.values

返回稀疏 COO 张量的值张量。

Tensor.var

参阅 torch.var()

Tensor.vdot

参阅 torch.vdot()

Tensor.view

返回一个新张量,其数据与 self 张量相同,但形状 shape 不同。

Tensor.view_as

将此张量视为与 other 大小相同。

Tensor.vsplit

参见 torch.vsplit()

Tensor.where

self.where(condition, y) 等效于 torch.where(condition, self, y)

Tensor.xlogy

参见 torch.xlogy()

Tensor.xlogy_

xlogy() 的就地版本

Tensor.xpu

返回此对象在 XPU 内存中的副本。

Tensor.zero_

用零填充 self 张量。

文档

访问 PyTorch 的全面开发者文档

查看文档

教程

获取适合初学者和高级开发者的深度教程

查看教程

资源

寻找开发资源并解答你的问题

查看资源