Torch

torch包包含了多维张量的数据结构，并定义了在这些张量上进行的数学运算。此外，它还提供了许多实用工具，用于高效地序列化张量和任意类型，以及其他有用的工具。

它有一个CUDA版本，可以让你在计算能力 >= 3.0 的 NVIDIA GPU 上运行你的张量计算。

张量

is_tensor	如果 obj 是一个 PyTorch 张量，则返回 True。
is_storage	如果obj是PyTorch存储对象，则返回True。
is_complex	如果数据类型是复数数据类型，即其中之一input，则返回 True torch.complex64 和 torch.complex128。
is_conj	如果 input 是一个共轭张量，则返回 True，即其共轭位被设置为 True。
is_floating_point	如果数据类型为 input 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在类型转换后是一个不等于零的单元素张量，则返回True。
set_default_dtype	将默认浮点数类型设置为 d。
get_default_dtype	获取当前默认的浮点数 torch.dtype。
set_default_device	将默认 torch.Tensor 设置为在 device 上分配。
get_default_device	获取默认的 torch.Tensor 以分配在 device
set_default_tensor_type
numel	返回input张量中的元素总数。
set_printoptions	设置打印选项。
set_flush_denormal	禁用CPU上的非正规浮点数。

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() 你也可以使用 torch.empty() 和 原地随机采样 方法来创建从更广泛的分布中采样的 torch.Tensor。

tensor	通过复制data，构建一个没有自动求导历史的张量（也称为“叶张量”，详见自动求导机制)。
sparse_coo_tensor	使用指定的值在给定的indices处构造一个COO（坐标）格式的稀疏张量。
sparse_csr_tensor	使用指定的值在给定的crow_indices和col_indices处构造一个CSR（压缩稀疏行）格式的稀疏张量。
sparse_csc_tensor	使用指定的值在给定的ccol_indices和row_indices处构造一个CSC（压缩稀疏列）格式的稀疏张量。
sparse_bsr_tensor	构造一个BSR（块压缩稀疏行）中的稀疏张量，在给定的crow_indices和col_indices位置具有指定的二维块。
sparse_bsc_tensor	使用指定的二维块在给定的ccol_indices和row_indices处构造一个BSC（块压缩稀疏列）中的稀疏张量。
asarray	将 obj 转换为张量。
as_tensor	将 data 转换为张量，共享数据并在可能的情况下保留自动梯度历史。
as_strided	创建一个现有torch.Tensor input的视图，并指定size，stride和storage_offset。
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	将外部库中的张量转换为torch.Tensor。
frombuffer	从实现Python缓冲协议的对象创建一个一维的 Tensor。
zeros	返回一个用标量值0填充的张量，其形状由变量参数size定义。
zeros_like	返回一个与标量值0相同且大小与input相同的张量。
ones	返回一个用标量值1填充的张量，其形状由变量参数size定义。
ones_like	返回一个与标量值1相同且大小与input相同的张量。
arange	返回大小为 $\left\lceil \frac{\text{end} - \text{start}}{\text{step}} \right\rceil$ 的 1-D 张量，值从区间 [start, end) 中以公差 step 开始取自 start。
range	返回大小为 $\left\lfloor \frac{\text{end} - \text{start}}{\text{step}} \right\rfloor + 1$ 的一维张量，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，包括边界值。
logspace	创建一个大小为steps的一维张量，其值在对数尺度（底数为base）上从${{\text{{base}}}}^{{\text{{start}}}}$到${{\text{{base}}}}^{{\text{{end}}}}$均匀分布，包括两端。
eye	返回一个二维张量，对角线上为1，其他位置为0。
empty	返回一个填充了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	创建一个具有指定 size 和 stride 并填充未定义数据的张量。
full	创建一个大小为 size 并填充 fill_value 的张量。
full_like	返回一个与 input 大小相同的张量，填充有 fill_value。
quantize_per_tensor	将一个浮点张量转换为具有给定缩放因子和零点的量化张量。
quantize_per_channel	将一个浮点张量转换为具有给定比例尺和零点的按通道量化张量。
dequantize	返回一个通过反量化量化张量得到的fp32张量
complex	构建一个复数张量，其实部等于 real，虚部等于 imag。
polar	构建一个复数张量，其元素是极坐标对应的笛卡尔坐标，绝对值为 abs，角度为 angle。
heaviside	为input中的每个元素计算Heaviside阶跃函数。

索引、切片、连接、变异操作

adjoint	返回一个张量的视图，该视图经过共轭处理并且最后两个维度进行了转置。
argwhere	返回一个包含input中所有非零元素索引的张量。
cat	在给定的维度上连接给定的seq张量序列。
concat	别名为 torch.cat()。
concatenate	别名为 torch.cat()。
conj	返回一个视图，其中 input 的共轭位被翻转。
chunk	尝试将张量分割成指定数量的块。
dsplit	将 input，一个具有三个或更多维度的张量，根据 indices_or_sections 按深度分割成多个张量。
column_stack	通过水平堆叠tensors中的张量来创建一个新的张量。
dstack	沿序列深度（沿第三个轴）堆叠张量。
gather	沿由dim指定的轴收集值。
hsplit	将 input，一个具有一个或多个维度的张量，根据 indices_or_sections 水平分割成多个张量。
hstack	按序列水平（列方向）堆叠张量。
index_add	请参阅 index_add_() 以获取函数描述。
index_copy	请参阅 index_add_() 以获取函数描述。
index_reduce	请参阅 index_reduce_() 以获取函数描述。
index_select	返回一个新的张量，该张量沿维度dim使用index中的条目索引input张量，其中index是一个LongTensor。
masked_select	返回一个新的1-D张量，该张量根据布尔掩码mask对input张量进行索引，其中BoolTensor是一个布尔掩码。
movedim	将维度input在位置source处移动到位置destination处。
moveaxis	别名为 torch.movedim()。
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，其维度已重新排列。
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	别名为 torch.vstack()。
select	沿选定维度在给定索引处切片input张量。
scatter	非原位版本的 torch.Tensor.scatter_()
diagonal_scatter	将src张量的值嵌入到input中，沿着input的对角元素，相对于dim1和dim2。
select_scatter	将src张量的值嵌入到给定索引处的input中。
slice_scatter	将src张量的值嵌入到给定维度的input中。
scatter_add	非原位版本的 torch.Tensor.scatter_add_()
scatter_reduce	非原位版本的 torch.Tensor.scatter_reduce_()
split	将张量分割成块。
squeeze	返回一个移除了所有大小为1且指定维度为input的张量。
stack	沿着新维度连接一系列张量。
swapaxes	别名为 torch.transpose()。
swapdims	别名为 torch.transpose()。
t	期望 input 为 <= 2-D 张量，并转置维度 0 和 1。
take	返回一个新张量，其中包含在给定索引处的input元素。
take_along_dim	从input中选择在给定的dim维度上，位于indices的一维索引处的值。
tensor_split	将张量沿维度dim根据由indices_or_sections指定的索引或分段数量，拆分为多个子张量，所有子张量都是input的视图。
tile	通过重复input的元素来构建一个张量。
transpose	返回一个张量，它是input的转置版本。
unbind	移除一个张量维度。
unravel_index	将一个扁平索引的张量转换为一个坐标张量元组，该元组可以对指定形状的任意张量进行索引。
unsqueeze	返回一个新的张量，在指定位置插入一个大小为一的维度。
vsplit	将 input, 一个具有两个或更多维度的张量，根据 indices_or_sections 垂直分割成多个张量。
vstack	按垂直顺序（逐行）堆叠张量。
where	根据condition，返回从input或other中选择的元素张量。

生成器

Generator

创建并返回一个生成器对象，该对象管理生成伪随机数的算法的状态。

随机采样

seed	为所有设备上的随机数生成设置种子，以一个非确定性的随机数。
manual_seed	为所有设备生成随机数设置种子。
initial_seed	返回生成随机数的初始种子作为Python long。
get_rng_state	返回随机数生成器的状态为torch.ByteTensor。
set_rng_state	设置随机数生成器的状态。

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（更严格的定义是多变量，请参阅 torch.distributions.multinomial.Multinomial 以获取更多详细信息）概率分布中采样的 num_samples 个索引，该分布位于张量 input 的相应行中。
normal	返回一个张量，其中包含从具有给定均值和标准差的独立正态分布中抽取的随机数。
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，其速率参数由 input 中对应的元素给出，即，
rand	返回一个用区间$[0, 1)$上的均匀分布随机数填充的张量
rand_like	返回一个与 input 大小相同的张量，该张量由区间 $[0, 1)$ 上的均匀分布随机数填充。
randint	返回一个填充了在 low（包含）和 high（不包含）之间均匀生成的随机整数的张量。
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	返回一个填充有来自均值为0和方差为1（也称为标准正态分布）的正态分布随机数的张量。
randn_like	返回一个与 input 大小相同的张量，该张量填充了来自均值为0和方差为1的正态分布的随机数。
randperm	返回从 0 到 n - 1 的整数的随机排列。

原地随机采样

还有一些在张量上定义的原地随机采样函数。点击链接以参考它们的文档：

• torch.Tensor.bernoulli_() - 原地版本的 torch.bernoulli()

• 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_() - 对数正态分布的样本

• torch.Tensor.normal_() - 原地版本的 torch.normal()

• 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

The torch.quasirandom.SobolEngine 是一个生成（打乱的）Sobol序列的引擎。

序列化

save	将一个对象保存到磁盘文件中。
load	从文件中加载使用 torch.save() 保存的对象。

并行处理

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上操作内并行性的线程数。
get_num_interop_threads	返回用于CPU上跨操作并行性的线程数（例如：
set_num_interop_threads	设置用于互操作并行性的线程数（例如。

局部禁用梯度计算

上下文管理器 torch.no_grad(), torch.enable_grad() 和 torch.set_grad_enabled() 对于局部禁用和启用 梯度计算非常有用。有关其用法的更多详细信息，请参阅 局部禁用梯度计算。这些上下文管理器是线程本地的，因此如果您使用 threading 模块将工作发送到另一个线程，则它们将不起作用。

Examples:

>>> 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	上下文管理器，用于设置梯度计算的开启或关闭。
is_grad_enabled	如果当前启用了梯度模式，则返回True。
autograd.grad_mode.inference_mode	上下文管理器，用于启用或禁用推理模式。
is_inference_mode_enabled	如果当前启用了推理模式，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	别名为 torch.abs()
acos	计算 input 中每个元素的反余弦值。
arccos	别名为 torch.acos()。
acosh	返回一个新的张量，其中包含input元素的反双曲余弦值。
arccosh	别名为 torch.acosh()。
add	将 other 乘以 alpha 后加到 input 上。
addcdiv	对 tensor1 和 tensor2 进行逐元素除法运算，将结果乘以标量 value 并将其加到 input 上。
addcmul	对 tensor1 和 tensor2 进行元素级乘法运算，将结果乘以标量 value 并将其加到 input 上。
angle	计算给定input张量的元素角度（以弧度为单位）。
asin	返回一个新的张量，其中包含input元素的反正弦值。
arcsin	别名为 torch.asin()。
asinh	返回一个新的张量，其中包含input元素的反双曲正弦值。
arcsinh	别名为 torch.asinh()。
atan	返回一个新的张量，其中包含input元素的反正切值。
arctan	别名为 torch.atan()。
atanh	返回一个新的张量，其中包含input元素的反双曲正切值。
arctanh	别名为 torch.atanh()。
atan2	逐元素反正切值计算$\text{input}_{i} / \text{other}_{i}$，并考虑象限。
arctan2	别名为 torch.atan2()。
bitwise_not	计算给定输入张量的按位NOT。
bitwise_and	计算 input 和 other 的按位与。
bitwise_or	计算 input 和 other 的按位或。
bitwise_xor	计算 input 和 other 的按位异或。
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ceil值，即每个元素的大于或等于其的最小整数。
clamp	将所有元素在input限制在范围[ min，max ]之间。
clip	别名为 torch.clamp()。
conj_physical	计算给定input张量的逐元素共轭。
copysign	创建一个新的浮点张量，其大小为input，符号为other，逐元素。
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input的每个元素都从角度转换为弧度。
div	将输入 input 的每个元素除以 other 中对应的元素。
divide	别名为 torch.div()。
digamma	别名为 torch.special.digamma()。
erf	别名为 torch.special.erf()。
erfc	别名为 torch.special.erfc()。
erfinv	别名为 torch.special.erfinv()。
exp	返回一个新的张量，其中包含输入张量 input 元素的指数。
exp2	别名为 torch.special.exp2()。
expm1	别名为 torch.special.expm1()。
fake_quantize_per_channel_affine	返回一个新的张量，其中的数据在input中按通道进行假量化，使用scale、zero_point、quant_min和quant_max，在由axis指定的通道上。
fake_quantize_per_tensor_affine	返回一个新的张量，其中的数据使用 input, scale, zero_point, quant_min 和 quant_max 进行了假量化。
fix	别名为 torch.trunc()
float_power	将 input 提升到 exponent 的幂，逐元素地，在双精度中。
floor	返回一个新的张量，其中包含input元素的下取整值，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 函数。
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	估计函数在一维或多维中的梯度 $g : \mathbb{R}^n \rightarrow \mathbb{R}$ 使用 二阶精确中心差分法 以及边界处的一阶或二阶估计。
imag	返回一个新的张量，包含self张量的虚部值。
ldexp	将 input 乘以 2 ** other。
lerp	对两个张量 start（由 input 给出）和 end 进行线性插值，基于标量或张量 weight，并返回结果的 out 张量。
lgamma	计算伽玛函数绝对值的自然对数在 input 上。
log	返回一个新的张量，其中包含input元素的自然对数。
log10	返回一个新的张量，其中包含input元素的以10为底的对数。
log1p	返回一个新的张量，其中包含 (1 + input) 的自然对数。
log2	返回一个新的张量，其中包含input元素的以2为底的对数。
logaddexp	输入的指数和的对数。
logaddexp2	以2为底的输入指数和的对数。
logical_and	计算给定输入张量的元素级逻辑与。
logical_not	计算给定输入张量的元素级逻辑非。
logical_or	计算给定输入张量的元素级逻辑或。
logical_xor	计算给定输入张量的元素级逻辑异或。
logit	别名为 torch.special.logit()。
hypot	给定一个直角三角形的两条直角边，返回其斜边。
i0	别名为 torch.special.i0()。
igamma	别名为 torch.special.gammainc()。
igammac	别名为 torch.special.gammaincc()。
mul	将 input 乘以 other。
multiply	别名为 torch.mul()。
mvlgamma	别名为 torch.special.multigammaln()。
nan_to_num	将 NaN、正无穷和负无穷值在 input 中替换为由 nan、posinf 和 neginf 分别指定的值。
neg	返回一个新的张量，其中包含input元素的负值。
negative	别名为 torch.neg()
nextafter	返回input之后的下一个浮点值，逐元素地朝向other。
polygamma	别名为 torch.special.polygamma()。
positive	返回 input。
pow	对 input 中的每个元素使用 exponent 的幂，并返回一个包含结果的张量。
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一维最大池化。
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input的每个元素都从弧度转换为角度。
real	返回一个包含self张量实数值的新张量。
reciprocal	返回一个新的张量，其元素是input中元素的倒数
remainder	计算 Python的取模运算 逐元素。
round	将input的元素四舍五入到最接近的整数。
rsqrt	返回一个新的张量，其中每个元素是input中对应元素平方根的倒数。
sigmoid	别名为 torch.special.expit()。
sign	返回一个新的张量，其中元素的符号与 input 中元素的符号相同。
sgn	此函数是torch.sign()对复数张量的扩展。
signbit	测试input的每个元素是否设置了符号位。
sin	返回一个新的张量，其中包含input元素的正弦值。
sinc	别名为 torch.special.sinc()。
sinh	返回一个新的张量，其中包含input元素的双曲正弦值。
softmax	别名为 torch.nn.functional.softmax()。
sqrt	返回一个新的张量，其中包含input元素的平方根。
square	返回一个新的张量，其中包含input元素的平方。
sub	从 input 中减去 other，并乘以 alpha。
subtract	别名为 torch.sub()。
tan	返回一个新的张量，其中包含input元素的正切值。
tanh	返回一个新的张量，其中包含input元素的双曲正切值。
true_divide	别名为 torch.div()，具有 rounding_mode=None。
trunc	返回一个新的张量，其中包含元素 input 的截断整数值。
xlogy	别名为 torch.special.xlogy()。

减少操作

argmax	返回所有元素在input张量中的最大值的索引。
argmin	返回展平张量或沿某个维度的最小值的索引。
amax	返回给定维度 dim 中每个切片的 input 张量的最大值。
amin	返回给定维度的input张量每个切片的最小值dim。
aminmax	计算input张量的最小值和最大值。
all	测试input中的所有元素是否评估为True。
any	检查input中的任一元素是否评估为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张量的每一行的指数和的对数。
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 non-NaN 元素的平均值。
median	返回 input 中值的中位数。
nanmedian	返回 input 中值的中位数，忽略 NaN 个值。
mode	返回一个命名元组 (values, indices)，其中 values 是给定维度 dim 中的 input 张量每一行的众数值，即在该行中出现最频繁的值，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（NaNs）视为零处理。
prod	返回input张量中所有元素的乘积。
quantile	计算input张量沿维度dim的每一行的q-th分位数。
nanquantile	这是 torch.quantile() 的一个变体，它“忽略”NaN 值，计算分位数 q 时就像 NaN 在 input 中不存在一样。
std	在指定的维度dim上计算标准差。
std_mean	计算在由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	消除每个连续相同元素组中的所有元素，只保留第一个元素。
var	计算在由 dim 指定的维度上的方差。
var_mean	计算在由dim指定的维度上的方差和均值。
count_nonzero	计算张量 input 沿给定 dim 的非零值的数量。

比较运算符

allclose	此函数检查input和other是否满足条件：
argsort	返回沿给定维度按值升序排序的张量的索引。
eq	计算元素级别的相等性
equal	True 如果两个张量具有相同的大小和元素，则为 False 否则。
ge	计算每个$\text{input} \geq \text{other}$元素。
greater_equal	别名为 torch.ge()。
gt	计算每个$\text{input} > \text{other}$元素。
greater	别名为 torch.gt()。
isclose	返回一个新的张量，其中的布尔元素表示input中的每个元素是否与other中对应的元素“接近”。
isfinite	返回一个包含布尔元素的新张量，表示每个元素是否为finite。
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（正无穷或负无穷）。
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，其中的布尔元素表示input中的每个元素是否为NaN。
isreal	返回一个新的张量，其中的布尔元素表示input中的每个元素是否为实数值。
kthvalue	返回一个命名元组 (values, indices)，其中 values 是给定维度 dim 中 input 张量的每一行的第 k 小元素。
le	计算每个$\text{input} \leq \text{other}$元素。
less_equal	别名为 torch.le()。
lt	计算每个$\text{input} < \text{other}$元素。
less	别名为 torch.lt()。
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	计算每个$\text{input} \neq \text{other}$元素。
not_equal	别名为 torch.ne()。
sort	按值对input张量沿给定维度的元素进行升序排序。
topk	返回给定维度上最大的 k 个元素，这些元素来自给定的 input 阶张量。
msort	按值对 input 张量沿其第一维度的元素进行升序排序。

谱运算

stft	短时傅里叶变换（STFT）。
istft	短时傅里叶逆变换。
bartlett_window	巴特利特窗函数。
blackman_window	布莱克曼窗函数。
hamming_window	汉明窗函数。
hann_window	汉明窗函数。
kaiser_window	计算长度为window_length和形状参数为beta的Kaiser窗口。

其他操作

atleast_1d	返回每个输入张量的零维视图的一维表示。
atleast_2d	返回每个输入张量的二维视图，其中维度为零。
atleast_3d	返回每个输入张量的三维视图，其中维度为零。
bincount	计算非负整数数组中每个值的频率。
block_diag	从提供的张量创建一个块对角矩阵。
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	返回每个值在input中所属的桶的索引，其中桶的边界由boundaries设置。
cartesian_prod	对给定的张量序列进行笛卡尔积运算。
cdist	计算两个行向量集合中每对之间的批量p-范数距离。
clone	返回 input 的副本。
combinations	计算给定张量长度为$r$的所有组合。
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	返回维度为dim的向量input和other的叉积。
cummax	返回一个命名元组 (values, indices)，其中 values 是 input 在维度 dim 上的累积最大值。
cummin	返回一个命名元组 (values, indices)，其中 values 是维度 dim 中 input 的元素的累积最小值。
cumprod	返回维度dim中input的元素的累积乘积。
cumsum	返回维度dim中input元素的累积和。
diag	如果 input 是一个向量（1-D 张量），则返回一个 2-D 方形张量
diag_embed	创建一个张量，其特定2D平面（由dim1和dim2指定）的对角线被input填充。
diagflat	如果 input 是一个向量（1-D 张量），则返回一个 2-D 方形张量
diagonal	返回一个部分视图，其中包含input的对角线元素，并将这些元素相对于dim1和dim2附加为形状末尾的一个维度。
diff	计算给定维度上的第n阶前向差分。
einsum	根据爱因斯坦求和约定的表示法，沿指定维度对输入 operands 的元素乘积进行求和。
flatten	将 input 展平，将其重塑为一维张量。
flip	沿着给定的维度轴反转n维张量的顺序。
fliplr	在左/右方向上翻转张量，返回一个新的张量。
flipud	在上下方向上翻转张量，返回一个新的张量。
kron	计算克罗内克积，记作$\otimes$，input和other的。
rot90	将一个n维张量在由dims轴指定的平面上旋转90度。
gcd	计算 input 和 other 的元素级最大公约数（GCD）。
histc	计算张量的直方图。
histogram	计算张量中值的直方图。
histogramdd	计算张量中值的多维直方图。
meshgrid	创建由1D输入在attr：张量指定的坐标网格。
lcm	计算 input 和 other 的元素级最小公倍数（LCM）。
logcumsumexp	返回维度dim中input元素的指数累加和的对数。
ravel	返回一个连续的展平张量。
renorm	返回一个张量，其中沿着维度dim的每个子张量input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	找到sorted_sequence的最内层维度中的索引，使得如果将values中对应的值插入到这些索引之前，排序后，sorted_sequence中对应的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结果。
trace	返回输入2-D矩阵对角线元素的和。
tril	返回矩阵（2-D张量）或矩阵批次的下三角部分input，结果张量的其他元素out被设置为0。
tril_indices	返回一个 row 行 col 列矩阵的下三角部分的索引，结果是一个 2 行 N 列的张量，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）或一批矩阵的上三角部分input，结果张量的其他元素out被设置为0。
triu_indices	返回一个2乘3矩阵的上三角部分的索引，在一个2乘N的张量中，其中第一行包含所有索引的行坐标，第二行包含列坐标。
unflatten	在多个维度上扩展输入张量的一个维度。
vander	生成一个范德蒙矩阵。
view_as_real	返回 input 作为实数张量的视图。
view_as_complex	返回 input 的视图作为复数张量。
resolve_conj	如果input的共轭位设置为True，则返回一个新的张量，其中包含具体化的共轭；否则返回input。
resolve_neg	如果input的负位被设置为True，则返回一个新的张量，其中包含具体化的否定；否则返回input。

BLAS和LAPACK操作

addbmm	对存储在batch1和batch2中的矩阵执行批量矩阵-矩阵乘积，并进行简化加法步骤（所有矩阵乘法沿第一个维度累积）。
addmm	对矩阵 mat1 和 mat2 进行矩阵乘法运算。
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，并将其加到矩阵input上。
baddbmm	对 batch1 和 batch2 中的矩阵执行批量矩阵-矩阵乘积。
bmm	对存储在 input 和 mat2 中的矩阵执行批量矩阵-矩阵乘积。
chain_matmul	返回 $N$ 个二维张量的矩阵乘积。
cholesky	计算对称正定矩阵的Cholesky分解$A$或一批对称正定矩阵的Cholesky分解。
cholesky_inverse	计算给定其Cholesky分解的复数Hermitian矩阵或实对称正定矩阵的逆。
cholesky_solve	计算具有复数Hermitian或实对称正定左侧的线性方程组的解，给定其Cholesky分解。
dot	计算两个一维张量的点积。
geqrf	这是一个用于直接调用LAPACK的geqrf的低级函数。
ger	别名为 torch.outer()。
inner	计算一维张量的点积。
inverse	别名为 torch.linalg.inv()
det	别名为 torch.linalg.det()
logdet	计算一个方阵或一批方阵的对数行列式。
slogdet	别名为 torch.linalg.slogdet()
lu	计算矩阵或矩阵批次的LU分解A。
lu_solve	返回使用部分旋转的LU分解从lu_factor()中得到的线性系统的LU解 $Ax = b$。
lu_unpack	将由lu_factor()返回的LU分解解包为P, L, U个矩阵。
matmul	两个张量的矩阵乘积。
matrix_power	别名为 torch.linalg.matrix_power()
matrix_exp	别名为 torch.linalg.matrix_exp()。
mm	对矩阵 input 和 mat2 进行矩阵乘法运算。
mv	执行矩阵input和向量vec的矩阵-向量乘积。
orgqr	别名为 torch.linalg.householder_product()。
ormqr	计算豪斯霍尔德矩阵乘积与一般矩阵的矩阵-矩阵乘法。
outer	2和3的外积。
pinverse	别名为 torch.linalg.pinv()
qr	计算一个矩阵或一批矩阵的QR分解 input，并返回一个命名元组 (Q, R)，其中包含张量 $\text{input} = Q R$，且 $Q$ 是一个正交矩阵或一批正交矩阵，$R$ 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的奇异值分解 (U, S, V)，使得 $A$ $A \approx U \operatorname{diag}(S) V^{\text{H}}$。
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	找到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，使用无矩阵LOBPCG方法。
trapz	别名为 torch.trapezoid()。
trapezoid	计算沿dim的梯形法则。
cumulative_trapezoid	累计计算梯形法则沿dim。
triangular_solve	使用一个平方的上三角或下三角可逆矩阵 $A$ 和多个右侧项 $b$ 解决方程组。
vdot	计算两个一维向量沿一个维度的点积。

逐元素操作

警告

此API处于测试阶段，未来可能会有变动。 不支持前向模式自动微分。

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

实用工具

compiled_with_cxx11_abi	返回PyTorch是否在编译时使用了_GLIBCXX_USE_CXX11_ABI=1。
result_type	返回对提供的输入张量执行算术运算后将得到的 torch.dtype。
can_cast	根据类型提升文档中描述的PyTorch类型转换规则，确定是否允许类型转换。
promote_types	返回具有最小大小和标量类型的 torch.dtype，该类型不小于且不低于 type1 或 type2 的类型。
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开启，则返回True。
is_deterministic_algorithms_warn_only_enabled	如果全局确定性标志仅设置为警告，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当前值。
set_float32_matmul_precision	设置浮点数矩阵乘法的内部精度为float32。
get_float32_matmul_precision	返回当前的float32矩阵乘法精度值。
set_warn_always	当此标志为 False（默认值）时，某些 PyTorch 警告可能在每个进程中仅出现一次。
get_device_module	返回与给定设备（例如，torch.device('cuda')，"mtia:0"，"xpu"，...）关联的模块。
is_warn_always_enabled	如果全局warn_always标志被打开，则返回True。
vmap	vmap 是向量化映射；vmap(func) 返回一个新的函数，该函数在输入的某个维度上对 func 进行映射。
_assert	Python的assert语句的一个包装器，该包装器在符号上是可追踪的。

符号数字

class torch.SymInt(node)

像一个整数（包括魔术方法），但将所有操作重定向到包装的节点。这在符号形状工作流程中特别用于符号记录操作。

class torch.SymFloat(node)

类似于浮点数（包括魔术方法），但将所有操作重定向到包装的节点。这在符号形状工作流程中特别用于符号记录操作。

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），但将所有操作重定向到包装的节点。这在符号形状工作流程中特别用于符号记录操作。

与常规布尔值不同，常规的布尔运算符会强制添加额外的保护措施，而不是进行符号化评估。相反，请使用位运算符来处理这种情况。

sym_float	支持SymInt的浮点数类型转换工具。
sym_int	支持SymInt的整数类型转换工具。
sym_max	支持SymInt的max实用工具，避免在a < b时进行分支判断。
sym_min	支持SymInt的min()实用工具。
sym_not	支持SymInt的逻辑否定实用工具。
sym_ite

导出路径

警告

此功能是一个原型，未来可能会有兼容性破坏性的更改。

导出 生成的/导出数据库/索引

控制流

警告

此功能是一个原型，未来可能会有兼容性破坏性的更改。

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

操作符标签

class torch.Tag

Members:

核心

data_dependent_output

dynamic_output_shape

生成的

inplace_view

needs_fixed_stride_order

nondeterministic_bitwise

nondeterministic_seeded

逐点

pt2_compliant_tag

view_copy

property name