torch
.
frac(tensor, out
=
None
)
-->
Tensor 返回每个元素的分数部分。
例子:
>>> torch.frac(torch.Tensor([1, 2.5, -3.2])
torch.FloatTensor([0, 0.5, -0.2])
torch
.
lerp(start, end, weight, out
=
None
) 对两个张量以start,end 做线性插值,将返回结果返回到输出张量。即:out
i
=
start
i
+
weight
∗
(
end
i
−
start
i
)
参数:
--start (Tensor)
:起始点张量
--end (Tensor)
:终止点张量
--weight (float)
:插值公式的
weight
--
out (Tensor, optional)
:结果张量
例子:
>>> start = torch.arange(1, 5)
>>> end = torch.Tensor(4).fill_(10)
>>> start
1
2
3
4
[torch.FloatTensor of size 4]
>>> end
10
10
10
10
[torch.FloatTensor of size 4]
>>> torch.lerp(start, end, 0.5)
5.5000
6.0000
6.5000
7.0000
[torch.FloatTensor of size 4]
torch
.
log(
input
, out
=
None
)
-->
Tensor计算input的自然对数。
参数:
--input (Tensor)
:输入张量
--out (Tensor, optional)
:输出张量
例子:
>>> a = torch.randn(5)
>>> a
-0.4183
0.3722
-0.3091
0.4149
0.5857
[torch.FloatTensor of size 5]
>>> torch.log(a)
nan
-0.9883
nan
-0.8797
-0.5349
[torch.FloatTensor of size 5]
torch
.
log1p(
input
, out
=
None
)
-->
Tensor
计算
input+1
的自然对数
y
i =log
(
x
i
+
1
)
注意:对值比较小的输入,此函数比
torch.log()
更准确。
如果输入是
FloatTensor or DoubleTensor
类型,则
value
必须为实数,否则须为整数。
参数:
--input(Tensor)
:输入张量
--out(Tensor,optional):输出张量
例子:
>>> a = torch.randn(5)
>>> a
-0.4183
0.3722
-0.3091
0.4149
0.5857
[torch.FloatTensor of size 5]
>>> torch.log1p(a)
-0.5418
0.3164
-0.3697
0.3471
0.4611
[torch.FloatTensor of size 5]
torch
.
mul(
input
, value, out
=
None
)
用标量值
value
乘以输入
input 的每个元素,并返回一个新的结果张量。
out
=
tensor
·
value 。
参数:
--input (Tensor):输入张量
--
value (Number):乘到每个元素的数
--
out (Tensor, optional)
:输出张量
例子:
>>> a = torch.randn(3)
>>> a
-0.9374
-0.5254
-0.6069
[torch.FloatTensor of size 3]
>>> torch.mul(a, 100)
-93.7411
-52.5374
-60.6908
[torch.FloatTensor of size 3]
torch
.
mul(
input
, other, out
=
None
)两个张量
input,other 按元素进行相乘并返回到输出张量。即计算
out
i
=
input
i · otheri两计算张量形状不须匹配,但总元素数须一致。注意:当形状不匹配时,input 的形状作为输入张量的形状。
参数:
--
input (Tensor)
:第一个相乘张量
--other (Tensor)
:第二个相乘张量
--out (Tensor, optional)
:结果张量
例子:
>>> a = torch.randn(4,4)
>>> a
-0.7280 0.0598 -1.4327 -0.5825
-0.1427 -0.0690 0.0821 -0.3270
-0.9241 0.5110 0.4070 -1.1188
-0.8308 0.7426 -0.6240 -1.1582
[torch.FloatTensor of size 4x4]
>>> b = torch.randn(2, 8)
>>> b
0.0430 -1.0775 0.6015 1.1647 -0.6549 0.0308 -0.1670
1.0742 , →
-1.2593 0.0292 -0.0849 0.4530 1.2404 -0.4659 -0.1840
0.5974 , → [torch.FloatTensor of size 2x8]
>>> torch.mul(a, b)
-0.0313 -0.0645 -0.8618 -0.6784
0.0934 -0.0021 -0.0137 -0.3513
1.1638 0.0149 -0.0346 -0.5068
-1.0304 -0.3460 0.1148 -0.6919
[torch.FloatTensor of size 4x4]
torch
.
neg(
input
, out
=
None
)
-->
Tensor 返回一个新张量,包含输入 input张量按元素取负。即,
out
=
−
1
·
input
参数:
--input (Tensor)
:输入张量
--out (Tensor, optional)
:输出张量
例子:
>>> a = torch.randn(5)
>>> a
-0.4430
1.1690
-0.8836
-0.4565
0.2968
[torch.FloatTensor of size 5]
>>> torch.neg(a)
0.4430
-1.1690
0.8836
0.4565
-0.2968
[torch.FloatTensor of size 5]
•
torch
.
pow(
input
, exponent, out
=
None
)对输入
input
的按元素求 exponent 次幂值,并返回结果张量。幂值
exponent
可以为单一
float
数或者与
input 相同元素数的张量。
当幂值为标量时,执行操作:
out
i
=
x
exponent
当幂值为张量时,执行操作:
out
i
=
x
exponent
i
参数:
--input (Tensor)
:输入张量
--exponent (float or Tensor)
:幂值
--out (Tensor, optional)
:输出张量
例子:
>>> a = torch.randn(4)
>>> a
-0.5274
-0.8232
-2.1128
1.7558
[torch.FloatTensor of size 4]
>>> torch.pow(a, 2)
0.2781
0.6776
4.4640
3.0829
[torch.FloatTensor of size 4]
>>> exp = torch.arange(1, 5)
>>> a = torch.arange(1, 5)
>>> a
1
2
3
4
[torch.FloatTensor of size 4]
>>> exp
1
2
3
4
[torch.FloatTensor of size 4]
>>> torch.pow(a, exp)
1
4
27
256
[torch.FloatTensor of size 4]
torch.pow(base, input, out=None) base为标量浮点值,input 为张量,返回的输出张量out
与输入张量相同形状。
执行操作为:
outi
=
base
inputi
参数:
--base (float)
:标量值,指数的底
--input ( Tensor):幂值
--
out (Tensor, optional)
:输出张量
例子:
>>> exp = torch.arange(1, 5)
>>> base = 2
>>> torch.pow(base, exp)
2
4
8
16
[torch.FloatTensor of size 4]
torch
.
reciprocal(
input
, out
=
None
)
-->
Tensor返回一个新张量,包含输入 input 张量每个元素的倒数,
参数:
--
input (Tensor)
:输入张量
--
out (Tensor, optional)
:输出张量
例子:
>>> a = torch.randn(4)
>>> a
1.3869
0.3912
-0.8634
-0.5468
[torch.FloatTensor of size 4]
>>> torch.reciprocal(a)
0.7210
2.5565
-1.1583
-1.8289
[torch.FloatTensor of size 4]