Cchaofan的博客

可以看出，modules()返回的iterator不止包含子模块。这是和childern()的不同。NOTE：重复的模块只被返回一次(children()也是)。

torch.nn ：神经网络相关模块。持续更新

一个 torch.Storage 是一个单一数据类型的连续一维数组。每个 torch.Tensor 都有一个对应的、相同数据类型的存储。byte()：将此存储转为 byte 类型char()：将此存储转为 char 类型clone()：返回此存储的一个副本

storage_offset() –>int 以储存元素的个数的形式返回 tensor 在内存中的偏移量。type(new_type=None, async=False) 将对象投为指定的类型。view(*args) –>Tensor 返回一个有相同数据但大小不同的 tensor。

index_copy_(dim, index, tensor)，按参数index中的索引数确定的顺序，将原tensor用参数填充。rrow(dimension, start, length)，permute(dims) 将 tensor 的维度换位。repeat(sizes) 沿着指定的维度重复 tensor。resize_(*sizes) 将 tensor 的大小调整为指定的大小。scatter_(input, dim, index, src)

expand(*sizes) 返回 tensor 的一个新视图，单个维度扩大为更大的尺寸。tensor 也可以扩大为更高维,新增加的维度将附在前面。扩大 tensor 不需要分配新内存，只是仅仅新建一个tensor的视图，其中通过将stride设为0，一维将会扩展位更高维。任何一个一维的在不分配新内存的情况下可扩展任意的数值。index_add_(dim, index, tensor) –>Tensor 按参数 index 中的索引数确定的顺序，将参数 tensor 中的元素加到原来的 tensor 中。

Tensor 操作

torch.Tensor 是一种包含单一数据类型元素的多维矩阵。Torch 定义了七种 CPU tensor类型和八种 GPU tensor 类型

torch.svd(input, some=True, out=None),torch.symeig(input, eigenvectors=False, upper=True, out=None) ,torch.trtrs()

torch.geqrf(input, out=None)，torch.ger(vec1, vec2, out=None)，torch.gesv(B, A, out=None)，torch.inverse(input, out=None)，torch.mm(mat1, mat2, out=None)，torch.mv(mat, vec, out=None)，torch.qr(input, out=None) -> (Tensor, Tensor)

torch.baddbmm(beta=1, mat, alpha=1, batch1, batch2, out=None)，torch.bmm(batch1, batch2, out=None)，torch.btrifact(A, info=None) -->Tensor，torch.btrisolve(b, LU_data, LU_pivots) ，torch.dot(tensor1, tensor2) -->float，torch.eig(a, eigenvectors=False, out=None)

torch.addbmm(beta=1, mat, alpha=1, batch1, batch2, out=None) ，torch.addmm(beta=1, mat, alpha=1, mat1, mat2, out=None)，torch.addmv(beta=1, tensor, alpha=1, mat, vec, out=None)，torch.addr(beta=1, mat, alpha=1, vec1, vec2, out=None)

torch.cross(input, other, dim=-1, out=None)，torch.diag(input, diagonal=0, out=None)，torch.histc(input, bins=100, min=0, max=0, out=None)，torch.renorm(input, p, dim, maxnorm, out=None)，torch.trace(input) -->float，torch.tril(input, k=0, out=None)，torch.triu(

torch.min(input, dim, min=None, min_indices=None)，torch.min(input, other, out=None)，torch.ne(input, other, out=None)，torch.sort(input, dim=None, descending=False, out=None)，torch.topk(input, k, dim=None, largest=True, sorted=True, out=None)

torch.eq(input, other, out=None)，torch.equal(tensor1, tensor2) -->bool，torch.ge(input, other, out=None)，torch.gt(input, other, out=None)，torch.kthvalue(input, k, dim=None, out=None，torch.le(input, other, out=None) ，torch.max(input, dim, max=None, max_indic

torch.norm(input, p, dim, out=None)，torch.prod(input) -->float ，torch.prod(input, dim, out=None)，torch.std(input) -->float，torch.std(input, dim, out=None)，torch.sum(input) -->float，torch.sum(input, dim, out=None)，torch.var(input) -->float，torch.var(input,

torch.cumprod(input, dim, out=None)，torch.cumsum(input, dim, out=None)，torch.dist(input, other, p=2, out=None)，torch.mean(input) ，torch.mean(input, dim, out=None)，torch.median(input, dim=-1, values=None, indices=None)

torch.sigmoid(input, out=None) ，torch.sign(input, out=None) ，torch.sin(input, out=None)，torch.sinh(input, out=None)，torch.sqrt(input, out=None)，torch.tan(input, out=None)，torch.tanh(input, out=None)，torch.trunc(input, out=None)

torch.frac(tensor, out=None)，torch.lerp(start, end, weight, out=None)，torch.log(input, out=None)，torch.log1p(input, out=None)，torch.mul(input, value, out=None)，torch.mul(input, other, out=None)，torch.neg(input, out=None) ，torch.pow(input, exponent, out=Non

torch.atan(input, out=None) torch.atan2(input1, input2, out=None) torch.clamp(input, min, max, out=None) torch.clamp(input, *, min, out=None) torch.cos(input, out=None)

torch.add(input, value, out=None)，torch.add(input, value=1, other, out=None)，torch.addcdiv(tensor, value=1, tensor1, tensor2, out=None) -->Tensor,torch.addcmul(tensor, value=1, tensor1, tensor2, out=None) -->Tensor

torch.save（）torch.load（）orch.get_num_threads() -->inttorch.set_num_threads(int)

day4 随机抽样 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

索引，切片，连接，换位torch.cat(inputs, dimension=0) -->Tensor 在给定维度上对输入的张量序列进行连接操作。torch.cat()可以看做torch.split()和torch.chunk()的反操作。cat()函数可以通过下面例子更好的理解。参数： --inputs(sequence of Tensors):可以是任意相同Tensor类型的python序列 --dimension(int,optional):沿着此维连...

day2 创建操作一起学 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

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day1