Pytorch中tensor常用语法

我把常用的Tensor的数学运算总结到这里，以防自己在使用PyTorch做实验时，忘记这些方法应该传什么参数。总结的方法包括：

1. Tensor求和以及按索引求和：torch.sum() 和 torch.Tensor.indexadd()
2. Tensor元素乘积：torch.prod(input)
3. 对Tensor求均值、方差、极值：torch.mean() 、 torch.var() 、 torch.max() 、 torch.min()
4. 求Tensor的平方根倒数：torch.rsqrt(input)
5. 求Tensor的线性插值： torch.lerp(star,end,weight)
6. 求Tensor的\双曲正切：torch.tanh(input, out=None)

元素求和

torch.sum(input) $\to$ Tensor
返回输入向量input中所有元素的和。

参数：

• input (Tensor) - 输入张量

例子：

torch.sum(input, dim, keepdim=False, out=None) $\to$ Tensor

返回新的张量，其中包括输入张量input中指定维度dim中每行的和。

若keepdim值为True，则在输出张量中，除了被操作的dim维度值降为1，其它维度与输入张量input相同。否则，dim维度相当于被执行torch.squeeze()维度压缩操作，导致此维度消失，最终输出张量会比输入张量少一个维度。

参数：

• input (Tensor) - 输入Tensor
• dim (int) - 指定维度
• keepdim (bool) - 输出张量是否保持与输入张量有相同数量的维度
• out (Tensor,optional) - 结果张量

例子：

元素乘积

torch.prod(input) $\to$ Tensor
返回输入张量input所有元素的乘积。

参数：

• input (Tensor) - 输入张量

例子：

torch.prod(input, dim, keepdim=False, out=None) $\to$ Tensor

返回新的张量，其中包括输入张量input中指定维度dim中每行的乘积。

若keepdim值为True，则在输出张量中，除了被操作的dim维度值降为1，其它维度与输入张量input相同。否则，dim维度相当于被执行torch.squeeze()维度压缩操作，导致此维度消失，最终输出张量会比输入张量少一个维度。

参数：

• input (Tensor) - 输入Tensor
• dim (int) - 指定维度
• keepdim (bool) - 输出张量是否保持与输入张量有相同数量的维度
• out (Tensor,optional) - 结果张量

例子：

按索引求和

torch.Tensor.indexadd(dim, index, tensor) $\to$ Tensor

按索引参数index中所确定的顺序，将参数张量tensor中的元素与执行本方法的张量的元素逐个相加。参数tensor的尺寸必须严格地与执行方法的张量匹配，否则会发生错误。

参数：

• dim (int) - 索引index所指向的维度
• index (LongTensor) - 包含索引数的张量
• tensor (Tensor) - 含有相加元素的张量

例子：

平均数

torch.mean(input)$\to$ Tensor

返回输入张量input中每个元素的平均值。

参数：

• input (Tensor) – 输入张量

例子：

torch.mean(input, dim, keepdim=False, out=None) $\to$ Tensor

返回新的张量，其中包含输入张量input指定维度dim中每行的平均值。

若keepdim值为True，则在输出张量中，除了被操作的dim维度值降为1，其它维度与输入张量input相同。否则，dim维度相当于被执行torch.squeeze()维度压缩操作，导致此维度消失，最终输出张量会比输入张量少一个维度。

参数：

• input (Tensor) - 输入张量
• dim (int) - 指定进行均值计算的维度
• keepdim (bool, optional) - 输出张量是否保持与输入张量有相同数量的维度
• out (Tensor) - 结果张量

例子：

方差

torch.var(input, unbiased=True) $\to$ Tensor

返回输入向量input中所有元素的方差。

参数：

• input (Tensor) - 输入张量
• unbiased (bool) - 是否使用基于修正贝塞尔函数的无偏估计

例子：

torch.var(input, dim, keepdim=False, unbiased=True, out=None) $\to$ Tensor

返回新的张量，其中包括输入张量input中指定维度dim中每行的方差。

若keepdim值为True，则在输出张量中，除了被操作的dim维度值降为1，其它维度与输入张量input相同。否则，dim维度相当于被执行torch.squeeze()维度压缩操作，导致此维度消失，最终输出张量会比输入张量少一个维度。

参数：

• input (Tensor) - 输入Tensor
• dim (int) - 指定维度
• keepdim (bool) - 输出张量是否保持与输入张量有相同数量的维度
• unbiased (bool) - 是否使用基于修正贝塞尔函数的无偏估计
• out (Tensor,optional) - 结果张量

例子：

最大值

torch.max(input) $\to$ Tensor

返回输入张量所有元素的最大值。

参数：

• input (Tensor) - 输入张量

例子：

torch.max(input, dim, keepdim=False, out=None) $\to$ (Tensor, LongTensor)

返回新的张量，其中包括输入张量input中指定维度dim中每行的最大值，同时返回每个最大值的位置索引。

若keepdim值为True，则在输出张量中，除了被操作的dim维度值降为1，其它维度与输入张量input相同。否则，dim维度相当于被执行torch.squeeze()维度压缩操作，导致此维度消失，最终输出张量会比输入张量少一个维度。

参数：

• input (Tensor) - 输入Tensor
• dim (int) - 指定维度
• keepdim (bool) - 输出张量是否保持与输入张量有相同数量的维度
• out (tuple,optional) - 结果张量

例子：

torch.max(input, other, out=None) $\to$ Tensor

逐个元素比较张量input与张量other，将比较出的最大值保存到输出张量中。
两个张量尺寸不需要完全相同，但需要支持自动扩展法则。

参数：

• input (Tensor) - 输入Tensor
• other (Tensor) - 另一个输入的Tensor
• out (Tensor,optional) - 结果张量

例子：

最小值

torch.min(input) $\to$ Tensor
返回输入张量所有元素的最小值。

参数：

• input (Tensor) - 输入张量

例子：

torch.min(input, dim, keepdim=False, out=None) $\to$ (Tensor, LongTensor)

返回新的张量，其中包括输入张量input中指定维度dim中每行的最小值，同时返回每个最小值的位置索引。

若keepdim值为True，则在输出张量中，除了被操作的dim维度值降为1，其它维度与输入张量input相同。否则，dim维度相当于被执行torch.squeeze()维度压缩操作，导致此维度消失，最终输出张量会比输入张量少一个维度。

参数：

• input (Tensor) - 输入Tensor
• dim (int) - 指定维度
• keepdim (bool) - 输出张量是否保持与输入张量有相同数量的维度
• out (tuple,optional) - 结果张量

例子：

torch.min(input, other, out=None) $\to$ Tensor

逐个元素比较张量input与张量other，将比较出的最小值保存到输出张量中。
两个张量尺寸不需要完全相同，但需要支持自动扩展法则。

参数：

• input (Tensor) - 输入Tensor
• other (Tensor) - 另一个输入的Tensor
• out (Tensor,optional) - 结果张量

例子：

平方根倒数

torch.rsqrt(input) $\to$ Tensor

返回新的张量，其中包含input张量每个元素平方根的倒数。

参数：

• input (Tensor) – 输入张量
• out (Tensor, optional) – 输出张量

例子：

线性插值

torch.lerp(star,end,weight) $\to$ Tensor

基于weight对输入的两个张量start与end逐个元素计算线性插值，结果返回至输出张量。

返回结果是： ${outs}_i={start}_i+weight\ast (en{d}_i-star{t}_i)$

参数：

• start (Tensor) – 起始点张量
• end (Tensor) – 终止点张量
• weight (float) – 插入公式的 weight
• out (Tensor, optional) – 结果张量

例子：

双曲正切

torch.tanh(input, out=None) $\to$ Tensor

返回新的张量，其中包括输入张量input中每个元素的双曲正切。

参数：

• input (Tensor) - 输入张量
  -out (Tensor,optional) - 结果张量

例子：

最后说一下生成随机数Tensor的方法，比如：torch.rand()、torch.randn()、torch.normal()、torch.linespace()。

均匀分布

*torch.rand(sizes, out=None) $\to$ Tensor

返回一个张量，包含了从区间[0, 1)的均匀分布中抽取的一组随机数。张量的形状由参数sizes定义。

参数:

• sizes (int…) - 整数序列，定义了输出张量的形状
• out (Tensor, optinal) - 结果张量

例子：

标准正态分布

*torch.randn(sizes, out=None) $\to$ Tensor

返回一个张量，包含了从标准正态分布（均值为0，方差为1，即高斯白噪声）中抽取的一组随机数。张量的形状由参数sizes定义。

参数：

• sizes (int…) - 整数序列，定义了输出张量的形状
• out (Tensor, optinal) - 结果张量

例子：

离散正态分布

torch.normal(means, std, out=None) $\to$ Tensor

返回一个张量，包含了从指定均值means和标准差std的离散正态分布中抽取的一组随机数。

标准差std是一个张量，包含每个输出元素相关的正态分布标准差。

参数：

• means (float, optional) - 均值
• std (Tensor) - 标准差
• out (Tensor) - 输出张量

例子：

线性间距向量

torch.linspace(start, end, steps=100, out=None) $\to$ Tensor

返回一个1维张量，包含在区间start和end上均匀间隔的step个点。

输出张量的长度由steps决定。

参数：

• start (float) - 区间的起始点
• end (float) - 区间的终点
• steps (int) - 在start和end间生成的样本数
• out (Tensor, optional) - 结果张量

例子：