快捷方式

IRs

PyTorch 2.0 为后端提供两组 IR 以供交互:Core Aten IR 和 Prims IR。

Core Aten IR

Core aten ops 是 aten 运算符的核心子集,可用于组合其他运算符。Core aten IR 功能齐全,此 opset 中没有 inplace_out 变体。与 Prims IR 相比,core aten ops 重用了 “native_functions.yaml” 中现有的 aten ops,并且没有将 ops 进一步分解为显式类型提升和广播 ops。此 opset 旨在用作与后端交互的功能性 IR。

警告

此 opset 仍在积极开发中,将来会添加更多 ops。

运算符

模式

aten._adaptive_avg_pool2d

_adaptive_avg_pool2d(Tensor self, SymInt[2] output_size) -> Tensor

aten._adaptive_avg_pool2d_backward

_adaptive_avg_pool2d_backward(Tensor grad_output, Tensor self) -> Tensor

aten._adaptive_avg_pool3d

_adaptive_avg_pool3d(Tensor self, SymInt[3] output_size) -> Tensor

aten._cdist_forward

_cdist_forward(Tensor x1, Tensor x2, float p, int? compute_mode) -> Tensor

aten._embedding_bag

_embedding_bag(Tensor weight, Tensor indices, Tensor offsets, bool scale_grad_by_freq=False, int mode=0, bool sparse=False, Tensor? per_sample_weights=None, bool include_last_offset=False, int padding_idx=-1) -> (Tensor, Tensor, Tensor, Tensor)

aten._local_scalar_dense

_local_scalar_dense(Tensor self) -> Scalar

aten._log_softmax

_log_softmax(Tensor self, int dim, bool half_to_float) -> Tensor

aten._native_batch_norm_legit

_native_batch_norm_legit(Tensor input, Tensor? weight, Tensor? bias, Tensor(a!) running_mean, Tensor(b!) running_var, bool training, float momentum, float eps) -> (Tensor, Tensor, Tensor)

aten._native_batch_norm_legit.no_stats

_native_batch_norm_legit.no_stats(Tensor input, Tensor? weight, Tensor? bias, bool training, float momentum, float eps) -> (Tensor, Tensor, Tensor)

aten._native_batch_norm_legit_no_training

_native_batch_norm_legit_no_training(Tensor input, Tensor? weight, Tensor? bias, Tensor running_mean, Tensor running_var, float momentum, float eps) -> (Tensor, Tensor, Tensor)

aten._pdist_forward

_pdist_forward(Tensor self, float p=2) -> Tensor

aten._softmax

_softmax(Tensor self, int dim, bool half_to_float) -> Tensor

aten._to_copy

_to_copy(Tensor self, *, ScalarType? dtype=None, Layout? layout=None, Device? device=None, bool? pin_memory=None, bool non_blocking=False, MemoryFormat? memory_format=None) -> Tensor

aten.abs

abs(Tensor self) -> Tensor

aten.acos

acos(Tensor self) -> Tensor

aten.acosh

acosh(Tensor self) -> Tensor

aten.adaptive_avg_pool1d

adaptive_avg_pool1d(Tensor self, int[1] output_size) -> Tensor

aten.add.Scalar

add.Scalar(Tensor self, Scalar other, Scalar alpha=1) -> Tensor

aten.add.Tensor

add.Tensor(Tensor self, Tensor other, *, Scalar alpha=1) -> Tensor

aten.addmm

addmm(Tensor self, Tensor mat1, Tensor mat2, *, Scalar beta=1, Scalar alpha=1) -> Tensor

aten.alias

alias(Tensor(a) self) -> Tensor(a)

aten.amax

amax(Tensor self, int[1] dim=[], bool keepdim=False) -> Tensor

aten.amin

amin(Tensor self, int[1] dim=[], bool keepdim=False) -> Tensor

aten.any

any(Tensor self) -> Tensor

aten.any.dim

any.dim(Tensor self, int dim, bool keepdim=False) -> Tensor

aten.any.dims

any.dims(Tensor self, int[]? dim=None, bool keepdim=False) -> Tensor

aten.arange.start_step

arange.start_step(Scalar start, Scalar end, Scalar step=1, *, ScalarType? dtype=None, Layout? layout=None, Device? device=None, bool? pin_memory=None) -> Tensor

aten.argmax

argmax(Tensor self, int? dim=None, bool keepdim=False) -> Tensor

aten.argmin

argmin(Tensor self, int? dim=None, bool keepdim=False) -> Tensor

aten.as_strided

as_strided(Tensor(a) self, SymInt[] size, SymInt[] stride, SymInt? storage_offset=None) -> Tensor(a)

aten.asin

asin(Tensor self) -> Tensor

aten.asinh

asinh(Tensor self) -> Tensor

aten.atan

atan(Tensor self) -> Tensor

aten.atan2

atan2(Tensor self, Tensor other) -> Tensor

aten.atan2.out

atan2.out(Tensor self, Tensor other, *, Tensor(a!) out) -> Tensor(a!)

aten.atanh

atanh(Tensor self) -> Tensor

aten.avg_pool1d

avg_pool1d(Tensor self, int[1] kernel_size, int[1] stride=[], int[1] padding=0, bool ceil_mode=False, bool count_include_pad=True) -> Tensor

aten.avg_pool2d

avg_pool2d(Tensor self, int[2] kernel_size, int[2] stride=[], int[2] padding=0, bool ceil_mode=False, bool count_include_pad=True, int? divisor_override=None) -> Tensor

aten.avg_pool2d_backward

avg_pool2d_backward(Tensor grad_output, Tensor self, int[2] kernel_size, int[2] stride, int[2] padding, bool ceil_mode, bool count_include_pad, int? divisor_override) -> Tensor

aten.avg_pool3d

avg_pool3d(Tensor self, int[3] kernel_size, int[3] stride=[], int[3] padding=0, bool ceil_mode=False, bool count_include_pad=True, int? divisor_override=None) -> Tensor

aten.bitwise_and.Scalar

bitwise_and.Scalar(Tensor self, Scalar other) -> Tensor

aten.bitwise_and.Tensor

bitwise_and.Tensor(Tensor self, Tensor other) -> Tensor

aten.bitwise_not

bitwise_not(Tensor self) -> Tensor

aten.bitwise_or.Scalar

bitwise_or.Scalar(Tensor self, Scalar other) -> Tensor

aten.bitwise_or.Tensor

bitwise_or.Tensor(Tensor self, Tensor other) -> Tensor

aten.bitwise_xor.Scalar

bitwise_xor.Scalar(Tensor self, Scalar other) -> Tensor

aten.bitwise_xor.Tensor

bitwise_xor.Tensor(Tensor self, Tensor other) -> Tensor

aten.bmm

bmm(Tensor self, Tensor mat2) -> Tensor

aten.cat

cat(Tensor[] tensors, int dim=0) -> Tensor

aten.ceil

ceil(Tensor self) -> Tensor

aten.clamp

clamp(Tensor self, Scalar? min=None, Scalar? max=None) -> Tensor

aten.clamp.Tensor

clamp.Tensor(Tensor self, Tensor? min=None, Tensor? max=None) -> Tensor

aten.clone

clone(Tensor self, *, MemoryFormat? memory_format=None) -> Tensor

aten.col2im

col2im(张量 self, SymInt[2] 输出大小, int[2] 内核大小, int[2] 膨胀, int[2] 填充, int[2] 步长) -> 张量

aten.constant_pad_nd

constant_pad_nd(张量 self, SymInt[] 填充, 标量 value=0) -> 张量

aten.convolution

convolution(张量 输入, 张量 权重, 张量? 偏置, SymInt[] 步长, SymInt[] 填充, SymInt[] 膨胀, bool 转置, SymInt[] 输出填充, SymInt 组) -> 张量

aten.convolution_backward

convolution_backward(张量 梯度输出, 张量 输入, 张量 权重, SymInt[]? 偏置尺寸, SymInt[] 步长, SymInt[] 填充, SymInt[] 膨胀, bool 转置, SymInt[] 输出填充, SymInt 组, bool[3] 输出掩码) -> (张量, 张量, 张量)

aten.copy

copy(张量 self, 张量 源, bool 非阻塞=False) -> 张量

aten.cos

cos(张量 self) -> 张量

aten.cosh

cosh(张量 self) -> 张量

aten.cumsum

cumsum(张量 self, int 维度, *, 标量类型? dtype=None) -> 张量

aten.diagonal

diagonal(张量(a) self, int 偏移量=0, int 维度1=0, int 维度2=1) -> 张量(a)

aten.div.Scalar

div.Scalar(张量 self, 标量 其他) -> 张量

aten.div.Scalar_mode

div.Scalar_mode(张量 self, 标量 其他, *, str? 四舍五入模式) -> 张量

aten.div.Tensor

div.Tensor(张量 self, 张量 其他) -> 张量

aten.div.Tensor_mode

div.Tensor_mode(张量 self, 张量 其他, *, str? 四舍五入模式) -> 张量

aten.embedding

embedding(张量 权重, 张量 索引, SymInt 填充索引=-1, bool 按频率缩放梯度=False, bool 稀疏=False) -> 张量

aten.embedding_dense_backward

embedding_dense_backward(张量 梯度输出, 张量 索引, SymInt 权重数量, SymInt 填充索引, bool 按频率缩放梯度) -> 张量

aten.empty.memory_format

empty.memory_format(SymInt[] 大小, *, 标量类型? dtype=None, 布局? 布局=None, 设备? 设备=None, bool? 固定内存=None, 内存格式? 内存格式=None) -> 张量

aten.empty_strided

empty_strided(SymInt[] 大小, SymInt[] 步长, *, 标量类型? dtype=None, 布局? 布局=None, 设备? 设备=None, bool? 固定内存=None) -> 张量

aten.eq.Scalar

eq.Scalar(张量 self, 标量 其他) -> 张量

aten.eq.Tensor

eq.Tensor(张量 self, 张量 其他) -> 张量

aten.erf

erf(张量 self) -> 张量

aten.exp

exp(张量 self) -> 张量

aten.expand

expand(张量(a) self, SymInt[] 大小, *, bool 隐式=False) -> 张量(a)

aten.expm1

expm1(张量 self) -> 张量

aten.fill.Scalar

fill.Scalar(张量 self, 标量 值) -> 张量

aten.flip

flip(张量 self, int[] 维度) -> 张量

aten.floor

floor(张量 self) -> 张量

aten.fmod.Scalar

fmod.Scalar(张量 self, 标量 其他) -> 张量

aten.fmod.Tensor

fmod.Tensor(张量 self, 张量 其他) -> 张量

aten.full

full(SymInt[] 大小, 标量 填充值, *, 标量类型? dtype=None, 布局? 布局=None, 设备? 设备=None, bool? 固定内存=None) -> 张量

aten.gather

gather(张量 self, int 维度, 张量 索引, *, bool 稀疏梯度=False) -> 张量

aten.ge.Scalar

ge.Scalar(张量 self, 标量 其他) -> 张量

aten.ge.Tensor

ge.Tensor(张量 self, 张量 其他) -> 张量

aten.gelu

gelu(张量 self, *, str 近似值='none') -> 张量

aten.grid_sampler_2d

grid_sampler_2d(张量 输入, 张量 网格, int 插值模式, int 填充模式, bool 对齐角点) -> 张量

aten.gt.Scalar

gt.Scalar(张量 self, 标量 其他) -> 张量

aten.gt.Tensor

gt.Tensor(张量 self, 张量 其他) -> 张量

aten.hardtanh

hardtanh(张量 self, 标量 最小值=-1, 标量 最大值=1) -> 张量

aten.index.Tensor

index.Tensor(张量 self, 张量?[] 索引) -> 张量

aten.index_put

index_put(张量 self, 张量?[] 索引, 张量 值, bool 累加=False) -> 张量

aten.index_select

index_select(张量 self, int 维度, 张量 索引) -> 张量

aten.isinf

isinf(张量 self) -> 张量

aten.isnan

isnan(张量 self) -> 张量

aten.le.Scalar

le.Scalar(张量 self, 标量 其他) -> 张量

aten.le.Tensor

le.Tensor(张量 self, 张量 其他) -> 张量

aten.leaky_relu

leaky_relu(张量 self, 标量 负斜率=0.01) -> 张量

aten.log

log(张量 self) -> 张量

aten.log10

log10(张量 self) -> 张量

aten.log1p

log1p(张量 self) -> 张量

aten.log2

log2(张量 self) -> 张量

aten.logical_and

logical_and(张量 self, 张量 其他) -> 张量

aten.logical_not

logical_not(张量 self) -> 张量

aten.logical_or

logical_or(张量 self, 张量 其他) -> 张量

aten.logical_xor

logical_xor(张量 self, 张量 其他) -> 张量

aten.lt.Scalar

lt.Scalar(张量 self, 标量 其他) -> 张量

aten.lt.Tensor

lt.Tensor(张量 self, 张量 其他) -> 张量

aten.max.dim

max.dim(张量 self, int 维度, bool 保留维度=False) -> (张量 值, 张量 索引)

aten.max_pool2d_with_indices

max_pool2d_with_indices(张量 self, int[2] 内核大小, int[2] 步长=[], int[2] 填充=0, int[2] 膨胀=1, bool 上限模式=False) -> (张量, 张量)

aten.max_pool2d_with_indices_backward

max_pool2d_with_indices_backward(张量 梯度输出, 张量 self, int[2] 内核大小, int[2] 步长, int[2] 填充, int[2] 膨胀, bool 上限模式, 张量 索引) -> 张量

aten.max_pool3d_with_indices

max_pool3d_with_indices(张量 self, int[3] 内核大小, int[3] 步长=[], int[3] 填充=0, int[3] 膨胀=1, bool 上限模式=False) -> (张量, 张量)

aten.maximum

maximum(张量 self, 张量 其他) -> 张量

aten.mean

mean(张量 self, *, 标量类型? dtype=None) -> 张量

aten.mean.dim

mean.dim(张量 self, int[1]? 维度, bool 保留维度=False, *, 标量类型? dtype=None) -> 张量

aten.min.dim

min.dim(张量 self, int 维度, bool 保留维度=False) -> (张量 值, 张量 索引)

aten.minimum

minimum(张量 self, 张量 其他) -> 张量

aten.mm

mm(张量 self, 张量 mat2) -> 张量

aten.mul.Scalar

mul.Scalar(张量 self, 标量 其他) -> 张量

aten.mul.Tensor

mul.Tensor(张量 self, 张量 其他) -> 张量

aten.native_dropout

native_dropout(张量 输入, float p, bool? 训练) -> (张量, 张量)

aten.native_group_norm

native_group_norm(张量 输入, 张量? 权重, 张量? 偏置, SymInt N, SymInt C, SymInt HxW, int 组, float eps) -> (张量, 张量, 张量)

aten.native_group_norm_backward

native_group_norm_backward(张量 梯度输出, 张量 输入, 张量 均值, 张量 rstd, 张量? 权重, SymInt N, SymInt C, SymInt HxW, int 组, bool[3] 输出掩码) -> (张量, 张量, 张量)

aten.native_layer_norm

native_layer_norm(张量 输入, SymInt[] 标准化形状, 张量? 权重, 张量? 偏置, float eps) -> (张量, 张量, 张量)

aten.native_layer_norm_backward

native_layer_norm_backward(张量 梯度输出, 张量 输入, SymInt[] 标准化形状, 张量 均值, 张量 rstd, 张量? 权重, 张量? 偏置, bool[3] 输出掩码) -> (张量, 张量, 张量)

aten.ne.Scalar

ne.Scalar(张量 self, 标量 其他) -> 张量

aten.ne.Tensor

ne.Tensor(张量 self, 张量 其他) -> 张量

aten.neg

neg(张量 self) -> 张量

aten.nonzero

nonzero(张量 self) -> 张量

aten.permute

permute(张量(a) self, int[] 维度) -> 张量(a)

aten.pow.Scalar

pow.Scalar(标量 self, 张量 指数) -> 张量

aten.pow.Tensor_Scalar

pow.Tensor_Scalar(张量 self, 标量 指数) -> 张量

aten.pow.Tensor_Tensor

pow.Tensor_Tensor(张量 self, 张量 指数) -> 张量

aten.prod

prod(张量 self, *, 标量类型? dtype=None) -> 张量

aten.prod.dim_int

prod.dim_int(张量 self, int 维度, bool 保留维度=False, *, 标量类型? dtype=None) -> 张量

aten.rand

rand(SymInt[] 大小, *, 标量类型? dtype=None, 布局? 布局=None, 设备? 设备=None, bool? 固定内存=None) -> 张量

aten.randn

randn(SymInt[] 大小, *, 标量类型? dtype=None, 布局? 布局=None, 设备? 设备=None, bool? 固定内存=None) -> 张量

aten.randperm

randperm(SymInt n, *, 标量类型? dtype=long, 布局? 布局=None, 设备? 设备=None, bool? 固定内存=None) -> 张量

aten.reciprocal

reciprocal(张量 self) -> 张量

aten.reflection_pad1d

reflection_pad1d(张量 self, SymInt[2] 填充) -> 张量

aten.reflection_pad2d

reflection_pad2d(张量 self, SymInt[4] 填充) -> 张量

aten.reflection_pad3d

reflection_pad3d(张量 self, SymInt[6] 填充) -> 张量

aten.relu

relu(张量 self) -> 张量

aten.remainder.Scalar

remainder.Scalar(张量 self, 标量 其他) -> 张量

aten.remainder.Tensor

remainder.Tensor(张量 self, 张量 其他) -> 张量

aten.repeat

repeat(张量 self, SymInt[] 重复次数) -> 张量

aten.replication_pad2d

replication_pad2d(张量 self, SymInt[4] 填充) -> 张量

aten.replication_pad3d

replication_pad3d(张量 self, SymInt[6] 填充) -> 张量

aten.resize_

resize_(张量(a!) self, SymInt[] 大小, *, 内存格式? 内存格式=None) -> 张量(a!)

aten.round

round(张量 self) -> 张量

aten.rsqrt

rsqrt(张量 self) -> 张量

aten.scalar_tensor

scalar_tensor(标量 s, *, 标量类型? dtype=None, 布局? 布局=None, 设备? 设备=None, bool? 固定内存=None) -> 张量

aten.scatter.src

scatter.src(张量 self, int 维度, 张量 索引, 张量 源) -> 张量

aten.scatter.value

scatter.value(张量 self, int 维度, 张量 索引, 标量 值) -> 张量

aten.scatter_add

scatter_add(张量 self, int 维度, 张量 索引, 张量 源) -> 张量

aten.scatter_reduce.two

scatter_reduce.two(张量 self, int 维度, 张量 索引, 张量 源, str 减少, *, bool 包含自身=True) -> 张量

aten.select.int

select.int(张量(a) self, int 维度, SymInt 索引) -> 张量(a)

aten.select_scatter

select_scatter(张量 self, 张量 源, int 维度, SymInt 索引) -> 张量

aten.sigmoid

sigmoid(张量 self) -> 张量

aten.sign

sign(张量 self) -> 张量

aten.sin

sin(张量 self) -> 张量

aten.sinh

sinh(张量 self) -> 张量

aten.slice.Tensor

slice.Tensor(张量(a) self, int 维度=0, SymInt? 开始=None, SymInt? 结束=None, SymInt 步长=1) -> 张量(a)

aten.slice_scatter

slice_scatter(张量 self, 张量 源, int 维度=0, SymInt? 开始=None, SymInt? 结束=None, SymInt 步长=1) -> 张量

aten.sort

sort(张量 self, int 维度=-1, bool 降序=False) -> (张量 值, 张量 索引)

aten.split_with_sizes

split_with_sizes(张量(a -> *) self, SymInt[] 拆分尺寸, int 维度=0) -> 张量(a)[]

aten.sqrt

sqrt(张量 self) -> 张量

aten.squeeze.dim

squeeze.dim(张量(a) self, int 维度) -> 张量(a)

aten.squeeze.dims

squeeze.dims(张量(a) self, int[] 维度) -> 张量(a)

aten.sub.Scalar

sub.Scalar(张量 self, 标量 其他, 标量 alpha=1) -> 张量

aten.sub.Tensor

sub.Tensor(张量 self, 张量 其他, *, 标量 alpha=1) -> 张量

aten.sum.dim_IntList

sum.dim_IntList(张量 self, int[1]? 维度, bool 保留维度=False, *, 标量类型? dtype=None) -> 张量

aten.sym_numel

sym_numel(张量 self) -> SymInt

aten.sym_size.int

sym_size.int(张量 self, int 维度) -> SymInt

aten.sym_storage_offset

sym_storage_offset(张量 self) -> SymInt

aten.sym_stride.int

sym_stride.int(张量 self, int 维度) -> SymInt

aten.tan

tan(张量 self) -> 张量

aten.tanh

tanh(张量 self) -> 张量

aten.topk

topk(张量 self, SymInt k, int 维度=-1, bool 最大值=True, bool 排序=True) -> (张量 值, 张量 索引)

aten.trunc

trunc(张量 self) -> 张量

aten.unsqueeze

unsqueeze(张量(a) self, int 维度) -> 张量(a)

aten.upsample_bilinear2d.vec

upsample_bilinear2d.vec(张量 输入, SymInt[]? 输出大小, bool 对齐角点, float[]? 缩放因子) -> 张量

aten.upsample_nearest2d.vec

upsample_nearest2d.vec(张量 输入, SymInt[]? 输出大小, float[]? 缩放因子) -> 张量

aten.var.correction

var.correction(张量 self, int[1]? 维度=None, *, 标量? 校正=None, bool 保留维度=False) -> 张量

aten.var.dim

var.dim(张量 self, int[1]? 维度, bool 无偏=True, bool 保留维度=False) -> 张量

aten.view

view(张量(a) self, SymInt[] 大小) -> 张量(a)

aten.where.self

where.self(张量 条件, 张量 self, 张量 其他) -> 张量

Prims IR

Prims IR 是一组可以用来组合其他运算符的原始运算符。Prims IR 比 core aten IR 更底层,它将运算进一步分解为显式的类型提升和广播运算:prims.convert_element_type 和 prims.broadcast_in_dim。此运算符集旨在与编译器后端进行交互。

警告

此 opset 仍在积极开发中,将来会添加更多 ops。

运算符

模式

prims.abs

(Tensor self) -> Tensor

prims.acos

(Tensor self) -> Tensor

prims.acosh

(Tensor self) -> Tensor

prims.asin

(Tensor self) -> Tensor

prims.asinh

(Tensor self) -> Tensor

prims.atan

(Tensor self) -> Tensor

prims.atanh

(Tensor self) -> Tensor

prims.cos

(Tensor self) -> Tensor

prims.cosh

(Tensor self) -> Tensor

prims.bessel_i0

(Tensor self) -> Tensor

prims.bessel_i0e

(Tensor self) -> Tensor

prims.bessel_i1

(Tensor self) -> Tensor

prims.bessel_i1e

(Tensor self) -> Tensor

prims.bessel_j0

(Tensor self) -> Tensor

prims.bessel_j1

(Tensor self) -> Tensor

prims.bitwise_not

(Tensor self) -> Tensor

prims.cbrt

(Tensor self) -> Tensor

prims.ceil

(Tensor self) -> Tensor

prims.conj_physical

(Tensor self) -> Tensor

prims.digamma

(Tensor self) -> Tensor

prims.erf

(Tensor self) -> Tensor

prims.erf_inv

(Tensor self) -> Tensor

prims.erfc

(Tensor self) -> Tensor

prims.erfcx

(Tensor self) -> Tensor

prims.exp

(Tensor self) -> Tensor

prims.expm1

(Tensor self) -> Tensor

prims.exp2

(Tensor self) -> Tensor

prims.fill

(Tensor self, Scalar value) -> Tensor

prims.floor

(Tensor self) -> Tensor

prims.imag

(Tensor(a) self) -> Tensor(a)

prims.isfinite

(Tensor self) -> Tensor

prims.lgamma

(Tensor self) -> Tensor

prims.log

(Tensor self) -> Tensor

prims.log1p

(Tensor self) -> Tensor

prims.log2

(Tensor self) -> Tensor

prims.log10

(Tensor self) -> Tensor

prims.ndtri

(Tensor self) -> Tensor

prims.neg

(Tensor self) -> Tensor

prims.real

(Tensor(a) self) -> Tensor(a)

prims.reciprocal

(Tensor self) -> Tensor

prims.round

(Tensor self) -> Tensor

prims.sign

(Tensor self) -> Tensor

prims.signbit

(Tensor self) -> Tensor

prims.sin

(Tensor self) -> Tensor

prims.sinh

(Tensor self) -> Tensor

prims.spherical_bessel_j0

(Tensor self) -> Tensor

prims.sqrt

(Tensor self) -> Tensor

prims.tan

(Tensor self) -> Tensor

prims.tanh

(Tensor self) -> Tensor

prims.trunc

(Tensor self) -> Tensor

prims.add

(Tensor self, Tensor other) -> Tensor

prims.atan2

(Tensor self, Tensor other) -> Tensor

prims.bitwise_and

(Tensor self, Tensor other) -> Tensor

prims.bitwise_or

(Tensor self, Tensor other) -> Tensor

prims.bitwise_xor

(Tensor self, Tensor other) -> Tensor

prims.div

(Tensor self, Tensor other) -> Tensor

prims.eq

(Tensor self, Tensor other) -> Tensor

prims.fmax

(Tensor self, Tensor other) -> Tensor

prims.fmin

(Tensor self, Tensor other) -> Tensor

prims.fmod

(Tensor self, Tensor other) -> Tensor

prims.frexp

(Tensor self) -> (Tensor mantissa, Tensor exponent)

prims.gcd

(Tensor self, Tensor other) -> Tensor

prims.ge

(Tensor self, Tensor other) -> Tensor

prims.gt

(Tensor self, Tensor other) -> Tensor

prims.hypot

(Tensor self, Tensor other) -> Tensor

prims.igamma

(Tensor self, Tensor other) -> Tensor

prims.igammac

(Tensor self, Tensor other) -> Tensor

prims.le

(Tensor self, Tensor other) -> Tensor

prims.lt

(Tensor self, Tensor other) -> Tensor

prims.maximum

(Tensor self, Tensor other) -> Tensor

prims.minimum

(Tensor self, Tensor other) -> Tensor

prims.mul

(Tensor self, Tensor other) -> Tensor

prims.ne

(Tensor self, Tensor other) -> Tensor

prims.nextafter

(Tensor self, Tensor other) -> Tensor

prims.pow

(Tensor self, Tensor other) -> Tensor

prims.remainder

(Tensor self, Tensor other) -> Tensor

prims.rsqrt

(Tensor self) -> Tensor

prims.shift_left

(Tensor self, Tensor other) -> Tensor

prims.shift_right_arithmetic

(Tensor self, Tensor other) -> Tensor

prims.sub

(Tensor self, Tensor other) -> Tensor

prims.zeta

(Tensor self, Tensor other) -> Tensor

prims.as_strided

(Tensor(a!) a, SymInt[] size, SymInt[] stride, SymInt storage_offset) -> Tensor(a!)

prims.broadcast_in_dim

(Tensor(a) a, SymInt[] shape, int[] broadcast_dimensions) -> Tensor(a)

prims.collapse_view

(Tensor(a) a, int start, int end) -> Tensor(a)

prims.conj

(Tensor(a) a) -> Tensor(a)

prims.slice

(Tensor(a) a, SymInt[] start_indices, SymInt[] limit_indices, SymInt[]? strides=None) -> Tensor(a)

prims.slice_in_dim

(Tensor(a) a, SymInt start_index, SymInt limit_index, int stride=1, int axis=0) -> Tensor(a)

prims.split_dim

(Tensor(a) a, int dim, SymInt outer_length) -> Tensor(a)

prims.squeeze

(Tensor(a) a, int[] dimensions) -> Tensor(a)

prims.transpose

(Tensor(a) a, int[] permutation) -> Tensor(a)

prims.view_of

(Tensor(a) a) -> Tensor(a)

prims.view_of_dtype

(Tensor(a) a, ScalarType dtype) -> Tensor(a)

prims.as_strided_scatter

(Tensor self, Tensor src, SymInt[] size, SymInt[] stride, SymInt storage_offset) -> Tensor

prims.collapse

(Tensor a, int start, int end) -> Tensor

prims.cat

(Tensor[] tensors, int dim) -> Tensor

prims.reshape

(Tensor a, SymInt[] shape) -> Tensor

prims.rev

(Tensor a, int[] dims) -> Tensor

prims.where

(Tensor pred, Tensor a, Tensor b) -> Tensor

prims.clone

(Tensor self, *, MemoryFormat? memory_format=None) -> Tensor

prims.convert_element_type

(Tensor a, ScalarType dtype) -> Tensor

prims.device_put

(Tensor a, Device device) -> Tensor

prims.item

(Tensor a) -> Scalar

prims.maximum_value

(ScalarType dtype) -> Scalar

prims.minimum_value

(ScalarType dtype) -> Scalar

prims.copy_strided

(Tensor a, SymInt[] stride) -> Tensor

prims.copy_to

(Tensor(a!) a, Tensor b) -> Tensor(a!)

prims.resize

(Tensor(a!) a, SymInt[] shape) -> Tensor(a!)

prims.amax

(Tensor inp, int[]? dims, *, ScalarType? output_dtype=None) -> Tensor

prims.amin

(Tensor inp, int[]? dims, *, ScalarType? output_dtype=None) -> Tensor

prims.prod

(Tensor inp, int[]? dims, *, ScalarType? output_dtype=None) -> Tensor

prims.sum

(Tensor inp, int[]? dims, *, ScalarType? output_dtype=None) -> Tensor

prims.xor_sum

(Tensor inp, int[]? dims, *, ScalarType? output_dtype=None) -> Tensor

prims.var

(Tensor inp, int[]? dims, float? correction=1, *, ScalarType? output_dtype=None) -> Tensor

prims.empty_strided

(SymInt[] shape, SymInt[] strides, *, ScalarType dtype, Device device, bool requires_grad) -> Tensor

prims.empty_permuted

(SymInt[] shape, int[] physical_layout, *, ScalarType dtype, Device device, bool requires_grad) -> Tensor

prims.scalar_tensor

(Scalar s, *, ScalarType? dtype=None, Device? device=None) -> Tensor

prims.iota

(SymInt length, *, SymInt start, SymInt step, ScalarType dtype, Device device, bool requires_grad) -> Tensor

prims.svd

(Tensor A, *, bool full_matrices) -> (Tensor U, Tensor S, Tensor Vh)

prims.normal

(SymInt[] shape, *, Scalar mean, Scalar std, ScalarType dtype, Device device, bool requires_grad, Generator? generator=None) -> Tensor

prims.uniform

(SymInt[] shape, *, Scalar low, Scalar high, ScalarType dtype, Device device, Generator? generator=None) -> Tensor

prims.fft_r2c

(Tensor self, *, int[] dim, bool onesided) -> Tensor

prims.fft_c2c

(Tensor self, *, int[] dim, bool forward) -> Tensor

prims.fft_c2r

(Tensor self, *, int[] dim, SymInt last_dim_size) -> Tensor

prims._make_token

() -> Tensor

prims._sink_tokens

(Tensor[] tokens) -> ()

文档

访问 PyTorch 的全面开发者文档

查看文档

教程

获取针对初学者和高级开发者的深入教程

查看教程

资源

查找开发资源并获得问题的解答

查看资源