pytorch: Tensor 常用操作
torch.tensor是一个包含多个同类数据类型数据的多维矩阵。
常用参数
dtype: tessor的数据类型，总共有八种数据类型。其中默认的类型是torch.FloatTensor,而且这种类型的别名也可以写作torch.Tensor。
Data type | dtype | CPU tensor | GPU tensor |
32-bit floating point | torch.float32 or torch.float | torch.FloatTensor | torch.cuda.FloatTensor |
64-bit floating point | torch.float64 or torch.double | torch.DoubleTensor | torch.cuda.DoubleTensor |
16-bit floating point | torch.float16 or torch.half | torch.HalfTensor | torch.cuda.HalfTensor |
8-bit integer (unsigned) | torch.uint8 | torch.ByteTensor | torch.cuda.ByteTensor |
8-bit integer (signed) | torch.int8 | torch.CharTensor | torch.cuda.CharTensor |
16-bit integer (signed) | torch.int16 or torch.short | torch.ShortTensor | torch.cuda.ShortTensor |
32-bit integer (signed) | torch.int32 or torch.int | torch.IntTensor | torch.cuda.IntTensor |
64-bit integer (signed) | torch.int64 or torch.long | torch.LongTensor | torch.cuda.LongTensor |
device:这个参数表示了tensor将会在哪个设备上分配内存。它包含了设备的类型（cpu、cuda）和可选设备序号。如果这个值是缺省的，那么默认为当前的活动设备类型。
require_grad:这个标志表明这个tensor的操作是否会被pytorch的自动微分系统（Autograd）记录其操作过程，以便后续自动求导。
layout：表示了tensor的内存分布方式。目前，pytorch支持torch.strided方式以及实验性质地支持torch.sparse_coo。前者是目前普遍的使用方式。每一个strided tensor都关联一个torch.storage以保存其数据。
创建
典型的tensor构建方法： torch.tensor(data, dtype=None, device=None, requires_grad=False)
从其他形式转换而来： torch.as_tensor(data, dtype=None, device=None) torch.from_numpy(ndarray
创建特殊值组成的tensor： torch.zeros(*sizes, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False) torch.zeros_like(input, dtype=None, layout=None, device=None, requires_grad=False) torch.ones(*sizes, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False) torch.ones_like(input, dtype=None, layout=None, device=None, requires_grad=False) torch.eye(n, m=None, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False) torch.empty(*sizes, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False) torch.empty_like(input, dtype=None, layout=None, device=None, requires_grad=False) torch.full(size, fill_value, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False) torch.full_like(input, fill_value, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)
按照步长或者区间创建tensor： torch.arange(start=0, end, step=1, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False) torch.range(start=0, end, step=1, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False) torch.linspace(start, end, steps=100, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False) torch.logspace(start, end, steps=100, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)
索引，分块，组合，变形
组合
torch.cat(seq, dim=0, out=None)：按照已经存在的维度进行concatenate。 torch.stack(seq, dim=0, out=None)：按照新的维度进行concatenate。
分块
torch.chunk(tensor, chunks, dim=0)：按照某个维度平均分块（最后一个可能小于平均值） torch.split(tensor, split_size_or_sections, dim=0）：按照某个维度依照第二个参数给出的list或者int进行分割tensor。
索引
torch.gather(input, dim, index, out=None)：在指定维度上按照索引赋值输出tensor。输入与输出大小一致。 torch.index_select(input, dim, index, out=None)：选出一维度的一些slice组合成新的tensor。指定维度的大小与index大小一致。 torch.masked_select(input, mask, out=None)：按照mask输出一个一维的tensor。 torch.take(input, indices)：将输入看成1D tensor，按照索引得到输出。输出大小与index大小一致。 torch.nonzero(input, out=None)：输出非0 元素的坐标。 torch.where(condition, x, y)：按照条件从x和y中选出满足条件的元素组成新的tensor。
变形
torch.reshape(input, shape) torch.t(input)： 只针对2D tensor转置 torch.transpose(input, dim0, dim1)：交换两个维度
torch.squeeze(input, dim=None, out=None)：去除那些维度大小为1的维度 torch.unbind(tensor, dim=0)：去除某个维度 torch.unsqueeze(input, dim, out=None)：在指定位置添加维度。
数学运算
Pointwise Ops
torch.addcdiv(tensor, value=1, tensor1, tensor2, out=None)
outi=tensori+value×tensor1itensor2iouti=tensori+value×tensor1itensor2i
torch.addcmul(tensor, value=1, tensor1, tensor2, out=None)
outi=tensori+value×tensor1i×tensor2iouti=tensori+value×tensor1i×tensor2i
torch.ceil(input, out=None)
outi=⌈inputi⌉=⌊inputi⌋+1outi=⌈inputi⌉=⌊inputi⌋+1
torch.clamp(input, min, max, out=None) ：max 或者min 可以用 * 代替，表示没有该项限制
yi=⎧⎩⎨minximaxif xi<minif min≤xi≤maxif xi>maxyi={minif xi<minxiif min≤xi≤maxmaxif xi>max
torch.erf(tensor, out=None)
erf(x)=2π−−√∫x0e−t2dterf(x)=2π∫0xe−t2dt
torch.fmod(input, divisor, out=None): 计算余数
torch.frac(tensor, out=None)
outi=inputi−⌊inputi⌋outi=inputi−⌊inputi⌋
torch.lerp(start, end, weight, out=None)
outi=starti+weight×(endi−starti)outi=starti+weight×(endi−starti)
torch.neg(input, out=None)
out=−1×inputout=−1×input
torch.pow(base, input, out=None)
outi=baseinputiouti=baseinputi
torch.reciprocal(input, out=None)
outi=1inputiouti=1inputi
torch.remainder(input, divisor, out=None)：计算余数
torch.rsqrt(input, out=None)
outi=1inputi−−−−−√outi=1inputi
torch.sign(input, out=None) ：取符号
torch.trunc(input, out=None)：截取整数部分
Reduction Ops
torch.dist(input, other, p=2)
计算p范数
torch.norm()
计算2范数
torch.prod()
计算所有元素的积
torch.unique(input, sorted=False, return_inverse=False)
以1D向量保存张量中不同的元素。
Comparison Ops
torch.isfinite(tensor) / torch.isinf(tensor) / torch.isnan(tensor)
返回一个标记元素是否为 finite/inf/nan 的mask 张量。
torch.kthvalue(input, k, dim=None, keepdim=False, out=None) -> (Tensor, LongTensor)
返回最小的第k个元素，如果为指定维度，则默认为最后一个维度。
torch.sort(input, dim=None, descending=False, out=None)
沿着某一维度对张量进行升序排列。
torch.topk(input, k, dim=None, largest=True, sorted=True, out=None)
返回最大的k个元素。
Other Operations
torch.bincount(self, weights=None, minlength=0)
返回每个值得频数。
torch.cross(input, other, dim=-1, out=None)
按照维度计算叉积。
torch.diag(input, diagonal=0, out=None)
如果输入时1D,则返回一个相应的对角矩阵；如果输入时2D，则返回相应对角线的元素。
torch.flip(input, dims)
按照给定维度翻转张量
torch.histc(input, bins=100, min=0, max=0, out=None)
计算张量的直方图。
torch.meshgrid(seq)
生成网格（可以生成坐标）。
BLAS and LAPACK Operations
