- [
torch.arange]
是 PyTorch 中的一个函数，用于生成一个一维的张量（tensor），其中包含从起始值（包括）到结束值（不包括）的等差数列。这个函数非常类似于 Python 的内置 range 函数，但是生成的是 PyTorch 张量而不是 Python 列表。
torch.arange(start=0, end, step=1, *, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)
-
start (int，可选) – 序列的起始值。默认为 0。
-
end (int) – 序列的结束值，但不包括该值。
-
step (int，可选) – 序列中两个值之间的间隔。默认为 1。
-
out (Tensor，可选) – 输出张量。
-
dtype (torch.dtype，可选) – 返回张量的数据类型。
-
layout (torch.layout，可选) – 返回张量的布局。
-
device (torch.device，可选) – 返回张量的设备。
-
requires_grad (bool，可选) – 如果设置为 True，则张量将需要梯度计算。默认为 False。
-
[
clone()]
在 PyTorch 中，A.clone() 用于创建一个与原始张量 A 具有相同数据的新张量 B。这意味着 B 是 A 的一个副本，它们包含相同的值，但是是两个独立的对象，存储在不同的内存位置。对 B 的任何修改都不会影响 A，反之亦然。
import torch
# 创建一个张量 A
A = torch.tensor([1, 2, 3, 4])
# 使用 clone() 方法创建 A 的一个副本 B
B = A.clone()
# 修改 B 的值
B[0] = 100
# 输出 A 和 B 的值，以确认它们是否独立
print(A) # 输出：tensor([1, 2, 3, 4])
print(B) # 输出：tensor([100, 2, 3, 4])
- [
sum()]
在PyTorch中，A.sum()是一个操作，用于计算张量A中所有元素的和。这个操作会沿着张量的所有维度进行求和，除非指定了特定的维度。
例如，如果A是一个一维张量（类似于一个向量），A.sum()会返回张量中所有元素的和。
import torch
A = torch.tensor([1, 2, 3, 4, 5])
sum_of_A = A.sum()
print(sum_of_A) # 输出：15
如果A是一个二维张量（类似于一个矩阵），A.sum()会返回矩阵中所有元素的和。
A = torch.tensor([[1, 2, 3],
[4, 5, 6]])
sum_of_A = A.sum()
print(sum_of_A) # 输出：21
如果想要沿着特定的维度求和这需要给一个dim参数
A = torch.tensor([[1, 2, 3],
[4, 5, 6]])
sum_along_rows = A.sum(dim=0) # 沿着行（第一个维度）求和
print(sum_along_rows) # 输出：tensor([5, 7, 9])
sum_along_cols = A.sum(dim=1) # 沿着列（第二个维度）求和
print(sum_along_cols) # 输出：tensor([ 6, 15])
- [
numel()]
在PyTorch中，A.numel() 是一个方法，用于返回张量 A 中元素的总数。这个方法计算张量中所有维度大小的乘积，从而得出元素的总数。
A = torch.tensor([[1, 2, 3],
[4, 5, 6]])
num_elements = A.numel()
print(num_elements) # 输出：6
- [
torch.dot()]
torch.dot() 函数用于计算两个一维张量（向量）的点积（dot product）。点积是对应元素相乘后的和。如果尝试对更高维度的张量使用 torch.dot()，将会抛出错误，因为 torch.dot() 只适用于一维张量。
import torch
# 创建两个一维张量
a = torch.tensor([1.0, 2.0, 3.0])
b = torch.tensor([4.0, 5.0, 6.0])
# 计算点积
dot_product = torch.dot(a, b)
print(dot_product) # 输出：32.0