day20 Tensor 操作2 入门 一起学 PyTorch吧，PyTorch从入门开始 每天都更新 超详细 参数 常用方法 简单案列 共同学习，共同进步 坚持

        asin() –>Tensor 请查看 torch.asin()

        asin_() –>Tensor asin() 的 in-place 运算形式

        atan() –>Tensor 请查看 torch.atan()

         atan2() –>Tensor 请查看 torch.atan2()

        atan2_() –>Tensor atan2() 的 in-place 运算形式

         atan_() –>Tensor atan() 的 in-place 运算形式

        baddbmm(beta=1, alpha=1, batch1, batch2) –>Tensor 请查看 torch.baddbmm()

        baddbmm_(beta=1, alpha=1, batch1, batch2) –>Tensor baddbmm() 的 in-place 运算形式

        bernoulli() –>Tensor 请查看 torch.bernoulli()

        bernoulli_() –>Tensor bernoulli() 的 in-place 运算形式

        bmm(batch2) –>Tensor 请查看 torch.bmm()

        byte() –>Tensor 将 tensor 改为 byte 类型

        bmm(median=0, sigma=1, *, generator=None) –>Tensor 将 tensor 中元素用柯西分布得到的数值填充：P ( x ) = 1 πσ ( xmedian ) 2 + σ 2 ceil() –>Tensor 请查看 torch.ceil()

        ceil_() –>Tensor ceil() 的 in-place 运算形式

        char() 将 tensor 元素改为 char 类型

        chunk(n_chunks, dim=0) –>Tensor 将 tensor 分割为 tensor 元组 . 请查看 torch.chunk()

        clamp(min, max) –>Tensor 请查看 torch.clamp()

         clamp_(min, max) –>Tensor clamp() 的 in-place 运算形式

        clone() –>Tensor 返回与原 tensor 有相同大小和数据类型的 tensor

        contiguous() –>Tensor 返回一个内存连续的有相同数据的 tensor ，如果原 tensor 内存连续则返回原tensor

        copy_(src, async=False) –>Tensor 将 src 中的元素复制到 tensor 中并返回这个 tensor。两个 tensor 应该有相同数目的元素，可以是不同的数据类型或存储在不同的设备上。

参数：

        -- src (Tensor)- 复制的源 tensor

        --async (bool)- 如果为 True 并且复制是在 CPU 和 GPU 之间进行的，则复制后的拷贝可能会与源信息异步，对于其他类型的复制操作则该参数不会发生作用。

        cos() –>Tensor 请查看 torch.cos()

        cos_() –>Tensor cos() 的 in-place 运算形式

         cosh() –>Tensor 请查看 torch.cosh()

        cosh_() –>Tensor

        cosh() 的 in-place 运算形式

        cpu() –>Tensor 如果在 CPU 上没有该 tensor，则会返回一个 CPU 的副本

         cross(other, dim=-1) –>Tensor 请查看 torch.cross()

        cuda(device=None, async=False) 返回此对象在 CPU 内存中的一个副本 如果对象已近存在于CUDA存储中并且在正确的设备上，则不会进行复制并返回原始对象。

参数：

        --device(int)- 目的 GPU 的 id ，默认为当前的设备

        --async(bool)-如果为 True 并且资源在固定内存中，则复制的副本将会与原始数据异步。否则，该参数没有意义。

        cumprod(dim) –>Tensor 请查看 torch.cumprod()

        cumsum(dim) –>Tensor 请查看 torch.cumsum()

         data_ptr() –>int 返回 tensor 第一个元素的地址

        diag(diagonal=0) –>Tensor 请查看 torch.diag()

        dim() –>int 返回 tensor 的维数

        dist(other, p=2) –>Tensor 请查看 torch.dist()

         div(value) 请查看 torch.div()

        div_(value) div() 的 in-place 运算形式

        dot(tensor2) –>float 请查看 torch.dot()

        double() 将该 tensor 投射为 double 类型

        eig(eigenvectors=False) -> (Tensor, Tensor) 请查看 torch.eig()

        element_size() –>int 返回单个元素的字节大小.

例子：

>>> torch.FloatTensor().element_size()
4
>>> torch.ByteTensor().element_size()
1