torch

Создано: 23 декабря 2016 г. | Последнее обновление: 11 июля 2026 г.

Пакет torch содержит структуры данных для многомерных тензоров и определяет математические операции над этими тензорами. Кроме того, он предоставляет множество средств для эффективной сериализации тензоров и произвольных типов, а также другие полезные утилиты.

Для него существует версия CUDA, позволяющая выполнять вычисления с тензорами на графическом процессоре NVIDIA с вычислительными возможностями >= 3.0.

Тензоры

`is_tensor`	Возвращает True, если `obj` является тензором PyTorch.
`is_storage`	Возвращает True, если `obj` является объектом хранения PyTorch.
`is_complex`	Возвращает True, если тип данных `input` является комплексным, то есть одним из `torch.complex64` и `torch.complex128`.
`is_conj`	Возвращает True, если `input` является сопряжённым тензором, то есть его бит сопряжения установлен в `True`.
`is_floating_point`	Возвращает True, если тип данных `input` является типом с плавающей точкой, то есть одним из `torch.float64`, `torch.float32`, `torch.float16` и `torch.bfloat16`.
`is_inference`	Возвращает True, если `input` является инференсным тензором.
`is_neg`
`is_nonzero`	Возвращает True, если `input` является одноэлементным тензором, не равным нулю после преобразования типов.
`is_same_size`
`is_signed`
`set_default_dtype`	Устанавливает тип данных с плавающей точкой по умолчанию: `d`.
`get_default_dtype`	Возвращает текущий тип данных с плавающей точкой по умолчанию `torch.dtype`.
`set_default_device`	Устанавливает `torch.Tensor`, на котором по умолчанию будет выделяться память: `device`.
`get_default_device`	Возвращает `torch.Tensor`, на котором по умолчанию будет выделяться память: `device`
`set_default_tensor_type`
`numel`	Возвращает общее количество элементов в тензоре `input`.
`set_printoptions`	Задаёт параметры вывода.
`set_flush_denormal`	Отключает денормализованные числа с плавающей точкой на CPU.

Операции создания

Примечание

Операции создания со случайной выборкой перечислены в разделе Случайная выборка и включают: torch.rand() torch.rand_like() torch.randn() torch.randn_like() torch.randint() torch.randint_like() torch.randperm() Можно также использовать torch.empty() вместе с методами случайной выборки на месте для создания torch.Tensor со значениями, выбранными из более широкого диапазона распределений.

`tensor`	Создаёт тензор без истории autograd (также называемый «листовым тензором», см. раздел Механика Autograd), копируя `data`.
`sparse_coo_tensor`	Создаёт разреженный тензор в формате COO (координатный формат) с заданными значениями по указанным `indices`.
`sparse_csr_tensor`	Создаёт разреженный тензор в формате CSR (сжатые разреженные строки) с заданными значениями по указанным `crow_indices` и `col_indices`.
`sparse_csc_tensor`	Создаёт разреженный тензор в формате CSC (сжатые разреженные столбцы) с заданными значениями по указанным `ccol_indices` и `row_indices`.
`sparse_bsr_tensor`	Создаёт разреженный тензор в формате BSR (сжатые разреженные строки блоков)) с заданными двумерными блоками по указанным `crow_indices` и `col_indices`.
`sparse_bsc_tensor`	Создаёт разреженный тензор в формате BSC (сжатые разреженные столбцы блоков)) с заданными двумерными блоками по указанным `ccol_indices` и `row_indices`.
`asarray`	Преобразует `obj` в тензор.
`as_tensor`	Преобразует `data` в тензор, по возможности совместно используя данные и сохраняя историю autograd.
`as_strided`	Создаёт представление существующего `torch.Tensor` `input` с заданными `size`, `stride` и `storage_offset`.
`from_file`	Создаёт тензор на CPU, хранилище которого основано на файле, отображённом в память.
`from_numpy`	Создаёт `Tensor` из `numpy.ndarray`.
`from_dlpack`	Преобразует тензор из внешней библиотеки в `torch.Tensor`.
`frombuffer`	Создаёт одномерный `Tensor` из объекта, реализующего протокол буфера Python.
`zeros`	Возвращает тензор, заполненный скалярным значением `0`, с формой, заданной аргументом переменной длины `size`.
`zeros_like`	Возвращает тензор, заполненный скалярным значением `0`, того же размера, что и `input`.
`ones`	Возвращает тензор, заполненный скалярным значением `1`, с формой, заданной аргументом переменной длины `size`.
`ones_like`	Возвращает тензор, заполненный скалярным значением `1`, того же размера, что и `input`.
`arange`	Возвращает одномерный тензор размера $\left\lceil \frac{\text{end} - \text{start}}{\text{step}} \right\rceil$ со значениями из интервала `[start, end)` с постоянной разностью `step`, начиная с `start`.
`range`	Возвращает одномерный тензор размера $\left\lfloor \frac{\text{end} - \text{start}}{\text{step}} \right\rfloor + 1$ со значениями от `start` до `end` с шагом `step`.
`linspace`	Создаёт одномерный тензор размера `steps`, значения которого равномерно распределены от `start` до `end` включительно.
`logspace`	Создаёт одномерный тензор размера `steps`, значения которого равномерно распределены от ${{\text{{base}}}}^{{\text{{start}}}}$ до ${{\text{{base}}}}^{{\text{{end}}}}$ включительно, в логарифмическом масштабе с основанием `base`.
`eye`	Возвращает двумерный тензор с единицами на диагонали и нулями в остальных позициях.
`empty`	Возвращает тензор, заполненный неинициализированными данными.
`empty_like`	Возвращает неинициализированный тензор того же размера, что и `input`.
`empty_permuted`	Создаёт неинициализированный плотный тензор без перекрытий с заданной `size`, где `physical_layout` задаёт физическое расположение измерений в памяти (каждое логическое измерение перечисляется от внешнего к внутреннему).
`empty_quantized`
`empty_strided`	Создаёт тензор с заданными `size` и `stride`, заполненный неопределёнными данными.
`full`	Создаёт тензор размера `size`, заполненный значением `fill_value`.
`full_like`	Возвращает тензор того же размера, что и `input`, заполненный значением `fill_value`.
`quantize_per_tensor`	Преобразует тензор с числами с плавающей точкой в квантованный тензор с заданными масштабом и нулевой точкой.
`quantize_per_tensor_dynamic`	Преобразует тензор с числами с плавающей точкой в квантованный тензор, масштаб и zero_point которого динамически вычисляются на основе входных данных.
`quantize_per_channel`	Преобразует тензор с числами с плавающей точкой в поканально квантованный тензор с заданными масштабами и нулевыми точками.
`dequantize`	Возвращает тензор fp32, выполняя деквантование квантованного тензора.
`complex`	Создаёт комплексный тензор, действительная часть которого равна `real`, а мнимая часть — `imag`.
`polar`	Создаёт комплексный тензор, элементы которого являются декартовыми координатами, соответствующими полярным координатам с модулем `abs` и углом `angle`.
`scalar_tensor`
`heaviside`	Вычисляет ступенчатую функцию Хевисайда для каждого элемента `input`.

Индексация, срезы, объединение и изменение

`adjoint`	Возвращает представление тензора с комплексным сопряжением и транспонированными двумя последними измерениями.
`alias_copy`	Выполняет ту же операцию, что и `torch.alias()`, но все выходные тензоры создаются заново, а не являются псевдонимами входных данных.
`argwhere`	Возвращает тензор, содержащий индексы всех ненулевых элементов `input`.
`as_strided_copy`	Выполняет ту же операцию, что и `torch.as_strided()`, но все выходные тензоры создаются заново, а не являются псевдонимами входных данных.
`as_strided_scatter`	Встраивает значения тензора `src` в `input` в элементы, соответствующие результату вызова input.as_strided(size, stride, storage_offset).
`cat`	Объединяет заданную последовательность тензоров в `tensors` по указанному измерению.
`ccol_indices_copy`
`col_indices_copy`	Выполняет ту же операцию, что и `torch.col_indices()`, но все выходные тензоры создаются заново, а не являются псевдонимами входных данных.
`concat`	Псевдоним `torch.cat()`.
`concatenate`	Псевдоним `torch.cat()`.
`conj`	Возвращает представление `input` с инвертированным битом комплексного сопряжения.
`chunk`	Пытается разделить тензор на указанное количество частей.
`crow_indices_copy`	Выполняет ту же операцию, что и `torch.crow_indices()`, но все выходные тензоры создаются заново, а не являются псевдонимами входных данных.
`detach`
`detach_copy`	Выполняет ту же операцию, что и `torch.detach()`, но все выходные тензоры создаются заново, а не являются псевдонимами входных данных.
`diagonal_copy`	Выполняет ту же операцию, что и `torch.diagonal()`, но все выходные тензоры создаются заново, а не являются псевдонимами входных данных.
`dsplit`	Разбивает `input` — тензор с тремя или более измерениями — на несколько тензоров по глубине в соответствии с `indices_or_sections`.
`column_stack`	Создаёт новый тензор, горизонтально объединяя тензоры из `tensors`.
`dstack`	Объединяет тензоры последовательности по глубине (вдоль третьей оси).
`expand_copy`	Выполняет ту же операцию, что и `torch.Tensor.expand()`, но все выходные тензоры создаются заново, а не являются псевдонимами входных данных.
`fill`
`gather`	Собирает значения вдоль оси, указанной в `dim`.
`hsplit`	Разбивает `input` — тензор с одним или несколькими измерениями — на несколько тензоров по горизонтали в соответствии с `indices_or_sections`.
`hstack`	Объединяет тензоры последовательности по горизонтали (по столбцам).
`index_add`	Описание функции см. в `index_add_()`.
`index_copy`	Описание функции см. в `index_copy_()`.
`index_put_`
`index_reduce`	Описание функции см. в `index_reduce_()`.
`index_select`	Возвращает новый тензор, индексирующий тензор `input` по измерению `dim` с использованием элементов из `index`.
`indices_copy`	Выполняет ту же операцию, что и `torch.indices()`, но все выходные тензоры создаются заново, а не являются псевдонимами входных данных.
`masked_fill`
`masked_select`	Возвращает новый одномерный тензор, который индексирует тензор `input` в соответствии с булевой маской `mask`, представляющей собой `BoolTensor`.
`movedim`	Перемещает измерения `input` из позиций `source` в позиции `destination`.
`moveaxis`	Псевдоним для `torch.movedim()`.
`narrow`	Возвращает новый тензор, представляющий собой суженную версию тензора `input`.
`narrow_copy`	То же, что и `Tensor.narrow()`, но возвращает копию, а не данные в общей области памяти.
`nonzero`
`nonzero_static`	Возвращает двумерный тензор, в каждой строке которого находится индекс ненулевого значения.
`permute`	Возвращает представление исходного тензора `input` с переставленными измерениями.
`permute_copy`	Выполняет ту же операцию, что и `torch.permute()`, но все выходные тензоры создаются заново, а не являются псевдонимами входных данных.
`put`
`reshape`	Возвращает тензор с теми же данными и количеством элементов, что и `input`, но с указанной формой.
`row_indices_copy`
`row_stack`	Псевдоним `torch.vstack()`.
`select`	Извлекает срез тензора `input` вдоль выбранного измерения по заданному индексу.
`select_copy`	Выполняет ту же операцию, что и `torch.select()`, но все выходные тензоры создаются заново, а не являются псевдонимами входных данных.
`scatter`	Версия `torch.Tensor.scatter_()`, не изменяющая входной тензор.
`diagonal_scatter`	Встраивает значения тензора `src` в `input` вдоль диагональных элементов `input` относительно `dim1` и `dim2`.
`select_scatter`	Встраивает значения тензора `src` в `input` по заданному индексу.
`slice_copy`	Выполняет ту же операцию, что и `torch.slice()`, но все выходные тензоры создаются заново, а не являются псевдонимами входных данных.
`slice_inverse`
`slice_scatter`	Встраивает значения тензора `src` в `input` по заданному измерению.
`scatter_add`	Версия `torch.Tensor.scatter_add_()`, не изменяющая входной тензор.
`scatter_reduce`	Версия `torch.Tensor.scatter_reduce_()`, не изменяющая входной тензор.
`segment_reduce`	Выполняет операцию редукции по сегментам входного тензора вдоль указанной оси.
`split`	Разбивает тензор на части.
`split_copy`	Выполняет ту же операцию, что и `torch.split()`, но все выходные тензоры создаются заново, а не являются псевдонимами входных данных.
`split_with_sizes_copy`	Выполняет ту же операцию, что и `torch.split_with_sizes()`, но все выходные тензоры создаются заново, а не являются псевдонимами входных данных.
`squeeze`	Возвращает тензор, из которого удалены все указанные измерения `input` размера `1`.
`squeeze_copy`	Выполняет ту же операцию, что и `torch.squeeze()`, но все выходные тензоры создаются заново, а не являются псевдонимами входных данных.
`stack`	Объединяет последовательность тензоров вдоль нового измерения.
`swapaxes`	Псевдоним для `torch.transpose()`.
`swapdims`	Псевдоним для `torch.transpose()`.
`t`	Ожидает, что `input` — это тензор размерности не более 2 и транспонирует измерения 0 и 1.
`t_copy`	Выполняет ту же операцию, что и `torch.t()`, но все выходные тензоры создаются заново, а не являются псевдонимами входных данных.
`take`	Возвращает новый тензор с элементами `input` по заданным индексам.
`take_along_dim`	Выбирает значения из `input` по одномерным индексам из `indices` вдоль заданного `dim`.
`tensor_split`	Разбивает тензор на несколько подтензоров, каждый из которых является представлением `input`, вдоль измерения `dim` в соответствии с индексами или количеством частей, заданными в `indices_or_sections`.
`tile`	Создаёт тензор, повторяя элементы `input`.
`transpose`	Возвращает тензор, являющийся транспонированной версией `input`.
`transpose_copy`	Выполняет ту же операцию, что и `torch.transpose()`, но все выходные тензоры создаются заново, а не являются псевдонимами входных данных.
`unbind`	Удаляет измерение тензора.
`unbind_copy`	Выполняет ту же операцию, что и `torch.unbind()`, но все выходные тензоры создаются заново, а не являются псевдонимами входных данных.
`unfold_copy`	Выполняет ту же операцию, что и `torch.unfold()`, но все выходные тензоры создаются заново, а не являются псевдонимами входных данных.
`unravel_index`	Преобразует тензор линейных индексов в кортеж тензоров координат, индексирующих произвольный тензор заданной формы.
`unsqueeze`	Возвращает новый тензор с измерением размера один, вставленным в указанную позицию.
`unsqueeze_copy`	Выполняет ту же операцию, что и `torch.unsqueeze()`, но все выходные тензоры создаются заново, а не являются псевдонимами входных данных.
`values_copy`	Выполняет ту же операцию, что и `torch.values()`, но все выходные тензоры создаются заново, а не являются псевдонимами входных данных.
`view_as_complex_copy`	Выполняет ту же операцию, что и `torch.view_as_complex()`, но все выходные тензоры создаются заново, а не являются псевдонимами входных данных.
`view_as_real_copy`	Выполняет ту же операцию, что и `torch.view_as_real()`, но все выходные тензоры создаются заново, а не являются псевдонимами входных данных.
`view_copy`	Выполняет ту же операцию, что и `torch.view()`, но все выходные тензоры создаются заново, а не являются псевдонимами входных данных.
`vsplit`	Разбивает `input` — тензор с двумя или более измерениями — на несколько тензоров по вертикали в соответствии с `indices_or_sections`.
`vstack`	Объединяет тензоры последовательности по вертикали (по строкам).
`where`	Возвращает тензор, содержащий элементы, выбранные из `input` или `other` в зависимости от `condition`.

Ускорители

В репозитории PyTorch под «ускорителем» понимается torch.device, используемое вместе с CPU для ускорения вычислений. Эти устройства используют схему асинхронного выполнения, а для синхронизации главным образом применяют torch.Stream и torch.Event. Также предполагается, что на одном узле одновременно может быть доступен только один такой ускоритель. Это позволяет использовать текущий ускоритель в качестве устройства по умолчанию для соответствующих понятий, таких как закреплённая память, device_type потока, FSDP и т. д.

На данный момент к устройствам-ускорителям относятся (в произвольном порядке) «CUDA», «MTIA», «XPU», «MPS», «HPU» и PrivateUse1 (многие устройства, отсутствующие в самом репозитории PyTorch).

Многие инструменты экосистемы PyTorch используют fork для создания дочерних процессов (например, для загрузки данных или параллелизма внутри операций), поэтому важно как можно дольше откладывать любые операции, препятствующие последующему созданию процессов. Это особенно важно в данном случае, поскольку инициализация большинства ускорителей приводит к такому эффекту. На практике следует помнить, что по умолчанию проверка torch.accelerator.current_accelerator() выполняется во время компиляции и поэтому всегда безопасна для fork. Напротив, передача флага check_available=True этой функции или вызов torch.accelerator.is_available() обычно препятствуют последующему созданию процессов.

Некоторые бэкенды предоставляют экспериментальную опцию, позволяющую сделать проверку доступности во время выполнения безопасной для fork. Например, при использовании устройства CUDA можно использовать PYTORCH_NVML_BASED_CUDA_CHECK=1.

`Stream`	Очередь выполнения соответствующих задач асинхронно, в порядке «первым поступил — первым обслужен» (FIFO).
`Event`	Запрашивает и записывает состояние потока, чтобы выявлять зависимости между потоками, управлять ими и измерять время выполнения.

Генераторы

Generator

Случайная выборка

`seed`	Устанавливает начальное значение для генерации случайных чисел в недетерминированное случайное число на всех устройствах.
`manual_seed`	Устанавливает начальное значение для генерации случайных чисел на всех устройствах.
`initial_seed`	Возвращает начальное значение для генерации случайных чисел в виде объекта Python `long`.
`get_rng_state`	Возвращает состояние генератора случайных чисел в виде `torch.ByteTensor`.
`set_rng_state`	Устанавливает состояние генератора случайных чисел.

torch.default_generator Returns the default CPU torch.Generator

`bernoulli`	Выбирает двоичные случайные числа (0 или 1) из распределения Бернулли.
`multinomial`	Возвращает тензор, в каждой строке которого содержатся `num_samples` индексов, выбранных из мультиномиального распределения (более строгое определение — многомерное; подробности см. в `torch.distributions.multinomial.Multinomial`), заданного соответствующей строкой тензора `input`.
`normal`	Возвращает тензор случайных чисел, выбранных из отдельных нормальных распределений, среднее значение и стандартное отклонение которых заданы.
`poisson`	Возвращает тензор того же размера, что и `input`, каждый элемент которого выбран из распределения Пуассона с параметром интенсивности, заданным соответствующим элементом `input`, то есть
`rand`	Возвращает тензор, заполненный случайными числами из равномерного распределения на интервале $[0, 1)$
`rand_like`	Возвращает тензор того же размера, что и `input`, заполненный случайными числами из равномерного распределения на интервале $[0, 1)$ .
`randint`	Возвращает тензор, заполненный случайными целыми числами, равномерно распределёнными между `low` (включительно) и `high` (не включая).
`randint_like`	Возвращает тензор той же формы, что и тензор `input`, заполненный случайными целыми числами, равномерно распределёнными между `low` (включительно) и `high` (не включая).
`randn`	Возвращает тензор, заполненный случайными числами из нормального распределения со средним значением `0` и дисперсией `1` (также называемого стандартным нормальным распределением).
`randn_like`	Возвращает тензор того же размера, что и `input`, заполненный случайными числами из нормального распределения со средним значением 0 и дисперсией 1.
`randperm`	Возвращает случайную перестановку целых чисел от `0` до `n - 1`.

Случайная выборка на месте

Для тензоров также определено несколько дополнительных функций случайной выборки на месте. Перейдите по ссылкам, чтобы ознакомиться с документацией:

torch.Tensor.bernoulli_() — версия torch.bernoulli(), выполняющая операцию на месте
torch.Tensor.cauchy_() — числа, выбранные из распределения Коши
torch.Tensor.exponential_() — числа, выбранные из экспоненциального распределения
torch.Tensor.geometric_() — элементы, выбранные из геометрического распределения
torch.Tensor.log_normal_() — выборки из логнормального распределения
torch.Tensor.normal_() — версия torch.normal(), выполняющая операцию на месте
torch.Tensor.random_() — числа, выбранные из дискретного равномерного распределения
torch.Tensor.uniform_() — числа, выбранные из непрерывного равномерного распределения

Квазислучайная выборка

quasirandom.SobolEngine

torch.quasirandom.SobolEngine — это механизм для генерации (перемешанных) последовательностей Соболя.

Сериализация

`save`	Сохраняет объект в файл на диске.
`load`	Загружает из файла объект, сохранённый с помощью `torch.save()`.

torch.serialization.check_module_version_greater_or_equal(module, req_version_tuple, error_if_malformed=True) [исходный код]

Проверяет, соответствует ли версия модуля требованиям

Обычно строка версии модуля имеет вид «x.y.z» и представляется кортежем (x, y, z), но иногда её формат может быть неожиданным. Если строка версии не соответствует формату заданного кортежа по всей его длине, функция выдаёт ошибку и завершает работу либо выводит предупреждение.

Параметры:

module — модуль, версию которого нужно проверить
req_version_tuple — кортеж (обычно из целых чисел), представляющий требуемую версию
error_if_malformed — следует ли завершить работу, если строка версии модуля имеет некорректный формат

Возвращает:

bool

Тип возвращаемого значения:

requirement_is_met

torch.serialization.default_restore_location(storage, location) [исходный код]

Восстанавливает storage с помощью функции десериализации, зарегистрированной для location.

Эта функция ищет в реестре функции десериализации, соответствующие location. Если они найдены, функция пытается использовать их в порядке приоритета для восстановления storage, пока одна из них не вернёт результат, отличный от None. Если в реестре не найдена функция десериализации или все найденные функции не возвращают результат, возникает исключение RuntimeError.

Параметры:

storage (STORAGE) — объект хранилища, который нужно восстановить
location (str) — тег расположения, связанный с объектом хранилища

Возвращает:

Optional[STORAGE]

Тип возвращаемого значения:

storage

Вызывает исключение:

RuntimeError — если в реестре не найдена функция десериализации, соответствующая location, или если все соответствующие функции возвращают None.

Параллелизм

`fork`
`get_num_threads`	Возвращает количество потоков, используемых для распараллеливания операций на CPU
`init_num_threads`	init_num_threads()
`set_num_threads`	Устанавливает количество потоков, используемых для внутрипроцессного параллелизма на CPU.
`get_num_interop_threads`	Возвращает количество потоков, используемых для межоперационного параллелизма на CPU (например, в интерпретаторе JIT).
`set_num_interop_threads`	Устанавливает количество потоков, используемых для межоперационного параллелизма на CPU (например, в интерпретаторе JIT).
`wait`

Локальное отключение вычисления градиентов

Менеджеры контекста torch.no_grad(), torch.enable_grad() и torch.set_grad_enabled() позволяют локально отключать и включать вычисление градиентов. Подробнее об их использовании см. в разделе Локальное отключение вычисления градиентов. Эти менеджеры контекста действуют только в пределах текущего потока, поэтому они не будут работать, если отправить задачу в другой поток с помощью модуля threading и т. п.

Примеры:

>>> x = torch.zeros(1, requires_grad=True)
>>> with torch.no_grad():
...     y = x * 2
>>> y.requires_grad
False

>>> is_train = False
>>> with torch.set_grad_enabled(is_train):
...     y = x * 2
>>> y.requires_grad
False

>>> torch.set_grad_enabled(True)  # this can also be used as a function
>>> y = x * 2
>>> y.requires_grad
True

>>> torch.set_grad_enabled(False)
>>> y = x * 2
>>> y.requires_grad
False

`no_grad`	Менеджер контекста, отключающий вычисление градиентов.
`enable_grad`	Менеджер контекста, включающий вычисление градиентов.
`autograd.grad_mode.set_grad_enabled`	Менеджер контекста, включающий или отключающий вычисление градиентов.
`is_grad_enabled`	Возвращает True, если режим вычисления градиентов в данный момент включён.
`autograd.grad_mode.inference_mode`	Менеджер контекста, включающий или отключающий режим инференса.
`is_inference_mode_enabled`	Возвращает True, если режим инференса в данный момент включён.

Математические операции

Константы

`e`	Число Эйлера — основание натуральных логарифмов (~2.7183). Псевдоним для `math.e`.
`inf`	Положительная бесконечность с плавающей точкой. Псевдоним для `math.inf`.
`nan`	Значение «не число» с плавающей точкой. Это значение не является допустимым числом. Псевдоним для `math.nan`.
`pi`	Отношение длины окружности к её диаметру (~3.1416). Псевдоним для `math.pi`.

Поэлементные операции

`abs`	Вычисляет абсолютное значение каждого элемента в `input`.
`abs_`	Версия `torch.abs()` с изменением на месте
`absolute`	Псевдоним для `torch.abs()`
`acos`	Возвращает новый тензор с арккосинусом (в радианах) каждого элемента в `input`.
`acos_`	Версия `torch.acos()` с изменением на месте
`arccos`	Псевдоним для `torch.acos()`.
`arccos_`	Версия `torch.arccos()` с изменением на месте
`acosh`	Возвращает новый тензор с обратным гиперболическим косинусом элементов `input`.
`acosh_`	Версия `torch.acosh()` с изменением на месте
`arccosh`	Псевдоним для `torch.acosh()`.
`arccosh_`	Версия `torch.arccosh()` с изменением на месте
`add`	Прибавляет `other`, умноженное на `alpha`, к `input`.
`addcdiv`	Выполняет поэлементное деление `tensor1` на `tensor2`, умножает результат на скаляр `value` и прибавляет его к `input`.
`addcmul`	Выполняет поэлементное умножение `tensor1` на `tensor2`, умножает результат на скаляр `value` и прибавляет его к `input`.
`angle`	Вычисляет поэлементный аргумент (в радианах) заданного тензора `input`.
`asin`	Возвращает новый тензор с арксинусами элементов (в радианах) тензора `input`.
`asin_`	Версия `torch.asin()` с изменением на месте
`arcsin`	Псевдоним для `torch.asin()`.
`arcsin_`	Версия `torch.arcsin()` с изменением на месте
`asinh`	Возвращает новый тензор с обратным гиперболическим синусом элементов `input`.
`asinh_`	Версия `torch.asinh()` с изменением на месте
`arcsinh`	Псевдоним для `torch.asinh()`.
`arcsinh_`	Версия `torch.arcsinh()` с изменением на месте
`atan`	Возвращает новый тензор с арктангенсами элементов (в радианах) тензора `input`.
`atan_`	Версия `torch.atan()` с изменением на месте
`arctan`	Псевдоним для `torch.atan()`.
`arctan_`	Версия `torch.arctan()` с изменением на месте
`atanh`	Возвращает новый тензор с обратным гиперболическим тангенсом элементов `input`.
`atanh_`	Версия `torch.atanh()` с изменением на месте
`arctanh`	Псевдоним для `torch.atanh()`.
`arctanh_`	Версия `torch.arctanh()` с изменением на месте
`atan2`	Поэлементный арктангенс $\text{input}_{i} / \text{other}_{i}$ с учетом квадранта.
`arctan2`	Псевдоним для `torch.atan2()`.
`bitwise_not`	Вычисляет побитовое НЕ заданного входного тензора.
`bitwise_and`	Вычисляет побитовое И для `input` и `other`.
`bitwise_or`	Вычисляет побитовое ИЛИ для `input` и `other`.
`bitwise_xor`	Вычисляет побитовое исключающее ИЛИ для `input` и `other`.
`bitwise_left_shift`	Выполняет арифметический сдвиг `input` влево на `other` бит.
`bitwise_right_shift`	Выполняет арифметический сдвиг `input` вправо на `other` бит.
`ceil`	Возвращает новый тензор с результатами округления элементов `input` вверх до наименьшего целого, большего или равного каждому элементу.
`ceil_`	Версия `torch.ceil()` с изменением на месте
`clamp`	Ограничивает все элементы в `input` диапазоном `[` `min`, `max` `]`.
`clamp_`	Версия `torch.clamp()` с изменением на месте
`clamp_max_`
`clamp_min_`
`clip`	Псевдоним для `torch.clamp()`.
`clip_`	Версия `torch.clip()` с изменением на месте
`conj_physical`	Вычисляет поэлементное комплексное сопряжение заданного тензора `input`.
`conj_physical_`	Версия `torch.conj_physical()` с изменением на месте
`copysign`	Создает новый тензор с плавающей точкой, поэлементно используя модуль значений `input` и знак значений `other`.
`cos`	Возвращает новый тензор с косинусами элементов `input`, заданных в радианах.
`cos_`	Версия `torch.cos()` с изменением на месте
`cosh`	Возвращает новый тензор с гиперболическими косинусами элементов `input`.
`cosh_`	Версия `torch.cosh()` с изменением на месте
`deg2rad`	Возвращает новый тензор, в котором каждый элемент `input` преобразован из градусов в радианы.
`deg2rad_`	Версия `torch.deg2rad()` с изменением на месте
`div`	Делит каждый элемент входного тензора `input` на соответствующий элемент `other`.
`divide`	Псевдоним для `torch.div()`.
`digamma`	Псевдоним для `torch.special.digamma()`.
`erf`	Псевдоним для `torch.special.erf()`.
`erf_`	Версия `torch.erf()` с изменением на месте
`erfc`	Псевдоним для `torch.special.erfc()`.
`erfc_`	Версия `torch.erfc()` с изменением на месте
`erfinv`	Псевдоним для `torch.special.erfinv()`.
`exp`	Возвращает новый тензор с экспонентами элементов входного тензора `input`.
`exp_`	Версия `torch.exp()` с изменением на месте
`exp2`	Псевдоним для `torch.special.exp2()`.
`exp2_`	Версия `torch.exp2()` с изменением на месте
`expm1`	Псевдоним для `torch.special.expm1()`.
`expm1_`	Версия `torch.expm1()` с изменением на месте
`fake_quantize_per_channel_affine`	Возвращает новый тензор с данными из `input`, подвергнутыми поканальному фиктивному квантованию с использованием `scale`, `zero_point`, `quant_min` и `quant_max` вдоль канала, заданного параметром `axis`.
`fake_quantize_per_tensor_affine`	Возвращает новый тензор с данными из `input`, подвергнутыми фиктивному квантованию с использованием `scale`, `zero_point`, `quant_min` и `quant_max`.
`fill_`	Версия `torch.fill()` с изменением на месте
`fix`	Псевдоним для `torch.trunc()`
`fix_`	Версия `torch.fix()` с изменением на месте
`float_power`	Поэлементно возводит `input` в степень `exponent`, используя двойную точность.
`floor`	Возвращает новый тензор с результатами округления элементов `input` вниз до наибольшего целого, меньшего или равного каждому элементу.
`floor_`	Версия `torch.floor()` с изменением на месте
`floor_divide`
`fmod`	Поэлементно применяет функцию C++ std::fmod.
`frac`	Вычисляет дробную часть каждого элемента в `input`.
`frac_`	Версия `torch.frac()` с изменением на месте
`frexp`	Разлагает `input` на тензоры мантисс и показателей степени так, что $\text{input} = \text{mantissa} \times 2^{\text{exponent}}$ .
`gradient`	Оценивает градиент функции $g : \mathbb{R}^n \rightarrow \mathbb{R}$ по одному или нескольким измерениям с помощью метода центральных разностей второго порядка точности и оценок первого или второго порядка на границах.
`imag`	Возвращает новый тензор, содержащий мнимые части значений тензора `self`.
`ldexp`	Умножает `input` на 2 ** `other`.
`ldexp_`	Версия `torch.ldexp()` с изменением на месте
`lerp`	Выполняет линейную интерполяцию двух тензоров `start` (задаваемую параметром `input`) и `end` на основе скаляра или тензора `weight` и возвращает результирующий тензор `out`.
`lgamma`	Вычисляет натуральный логарифм абсолютного значения гамма-функции для `input`.
`log`	Возвращает новый тензор с натуральными логарифмами элементов `input`.
`log_`	Версия `torch.log()` с изменением на месте
`log10`	Возвращает новый тензор с десятичными логарифмами элементов `input`.
`log10_`	Версия `torch.log10()` с изменением на месте
`log1p`	Возвращает новый тензор с натуральными логарифмами (1 + `input`).
`log1p_`	Версия `torch.log1p()` с изменением на месте
`log2`	Возвращает новый тензор с логарифмами по основанию 2 элементов `input`.
`log2_`	Версия `torch.log2()` с изменением на месте
`logaddexp`	Логарифм суммы экспонент входных значений.
`logaddexp2`	Логарифм по основанию 2 суммы экспонент входных значений.
`logical_and`	Вычисляет поэлементное логическое И для заданных входных тензоров.
`logical_not`	Вычисляет поэлементное логическое НЕ для заданного входного тензора.
`logical_or`	Вычисляет поэлементное логическое ИЛИ для заданных входных тензоров.
`logical_xor`	Вычисляет поэлементное логическое исключающее ИЛИ для заданных входных тензоров.
`logit`	Псевдоним для `torch.special.logit()`.
`logit_`	Версия `torch.logit()` с изменением на месте

`hypot`	По длинам катетов прямоугольного треугольника возвращает длину его гипотенузы.
`i0`	Псевдоним для `torch.special.i0()`.
`i0_`	Версия `torch.i0()`, изменяющая данные на месте
`igamma`	Псевдоним для `torch.special.gammainc()`.
`igammac`	Псевдоним для `torch.special.gammaincc()`.
`mul`	Умножает `input` на `other`.
`multiply`	Псевдоним для `torch.mul()`.
`mvlgamma`	Псевдоним для `torch.special.multigammaln()`.
`nan_to_num`	Заменяет значения `NaN`, положительной и отрицательной бесконечности в `input` значениями, заданными параметрами `nan`, `posinf` и `neginf` соответственно.
`nan_to_num_`	Версия `torch.nan_to_num()`, изменяющая данные на месте
`neg`	Возвращает новый тензор с числами, противоположными элементам `input`.
`neg_`	Версия `torch.neg()`, изменяющая данные на месте
`negative`	Псевдоним для `torch.neg()`
`negative_`	Версия `torch.negative()`, изменяющая данные на месте
`nextafter`	Поэлементно возвращает следующее значение с плавающей точкой после `input` в направлении `other`.
`polygamma`	Псевдоним для `torch.special.polygamma()`.
`positive`	Возвращает `input`.
`pow`	Возводит каждый элемент `input` в степень `exponent` и возвращает тензор с результатом.
`quantized_batch_norm`	Применяет пакетную нормализацию к 4D-квантованному тензору (NCHW).
`quantized_max_pool1d`	Применяет одномерную максимальную субдискретизацию к входному квантованному тензору, состоящему из нескольких входных плоскостей.
`quantized_max_pool2d`	Применяет двумерную максимальную субдискретизацию к входному квантованному тензору, состоящему из нескольких входных плоскостей.
`rad2deg`	Возвращает новый тензор, в котором каждый элемент `input` преобразован из радиан в градусы.
`rad2deg_`	Версия `torch.rad2deg()`, изменяющая данные на месте
`real`	Возвращает новый тензор, содержащий действительные значения тензора `self`.
`reciprocal`	Возвращает новый тензор, содержащий обратные значения элементов `input`
`reciprocal_`	Версия `torch.reciprocal()`, изменяющая данные на месте
`remainder`	Поэлементно вычисляет операцию взятия остатка по модулю в Python.
`round`	Округляет элементы `input` до ближайшего целого числа.
`round_`	Версия `torch.round()`, изменяющая данные на месте
`rsqrt`	Возвращает новый тензор, содержащий величины, обратные квадратным корням элементов `input`.
`rsqrt_`	Версия `torch.rsqrt()`, изменяющая данные на месте
`sigmoid`	Псевдоним для `torch.special.expit()`.
`sigmoid_`	Версия `torch.sigmoid()`, изменяющая данные на месте
`sign`	Возвращает новый тензор со знаками элементов `input`.
`sgn`	Эта функция расширяет torch.sign() для комплексных тензоров.
`signbit`	Проверяет, установлен ли бит знака у каждого элемента `input`.
`sin`	Возвращает новый тензор с синусами элементов тензора `input`, где каждое значение входного тензора задано в радианах.
`sin_`	Версия `torch.sin()`, изменяющая данные на месте
`sinc`	Псевдоним для `torch.special.sinc()`.
`sinc_`	Версия `torch.sinc()`, изменяющая данные на месте
`sinh`	Возвращает новый тензор с гиперболическими синусами элементов `input`.
`sinh_`	Версия `torch.sinh()`, изменяющая данные на месте
`softmax`	Псевдоним для `torch.nn.functional.softmax()`.
`sqrt`	Возвращает новый тензор с квадратными корнями элементов `input`.
`sqrt_`	Версия `torch.sqrt()`, изменяющая данные на месте
`square`	Возвращает новый тензор с квадратами элементов `input`.
`square_`	Версия `torch.square()`, изменяющая данные на месте
`sub`	Вычитает из `input` величину `other`, умноженную на `alpha`.
`subtract`	Псевдоним для `torch.sub()`.
`tan`	Возвращает новый тензор с тангенсами элементов тензора `input`, где каждое значение входного тензора задано в радианах.
`tan_`	Версия `torch.tan()`, изменяющая данные на месте
`tanh`	Возвращает новый тензор с гиперболическими тангенсами элементов `input`.
`tanh_`	Версия `torch.tanh()`, изменяющая данные на месте
`true_divide`	Псевдоним для `torch.div()` с `rounding_mode=None`.
`trunc`	Возвращает новый тензор с усечёнными целыми значениями элементов `input`.
`trunc_`	Версия `torch.trunc()`, изменяющая данные на месте
`xlogy`	Псевдоним для `torch.special.xlogy()`.
`xlogy_`	Версия `torch.xlogy()`, изменяющая данные на месте
`zero_`

Операции редукции

`argmax`	Возвращает индексы максимального значения среди всех элементов тензора `input`.
`argmin`	Возвращает индексы минимального значения или значений уплощённого тензора либо вдоль заданного измерения
`amax`	Возвращает максимальное значение для каждого среза тензора `input` по указанным измерениям `dim`.
`amin`	Возвращает минимальное значение для каждого среза тензора `input` по указанным измерениям `dim`.
`aminmax`	Вычисляет минимальное и максимальное значения тензора `input`.
`all`	Проверяет, дают ли все элементы `input` значение `True`.
`any`	Проверяет, даёт ли хотя бы один элемент `input` значение `True`.
`max`	Возвращает максимальное значение среди всех элементов тензора `input`.
`min`	Возвращает минимальное значение среди всех элементов тензора `input`.
`dist`	Возвращает p-норму (`input` - `other`)
`logsumexp`	Возвращает логарифм суммы экспонент для каждой строки тензора `input` по указанному измерению `dim`.
`mean`
`nanmean`	Вычисляет среднее значение всех элементов `non-NaN` по указанным измерениям.
`median`	Возвращает медиану значений в `input`.
`nanmedian`	Возвращает медиану значений в `input`, игнорируя значения `NaN`.
`mode`	Возвращает именованный кортеж `(values, indices)`, где `values` — мода каждой строки тензора `input` по заданному измерению `dim`, то есть значение, встречающееся в этой строке чаще всего, а `indices` — индексная позиция каждой найденной моды.
`norm`	Возвращает матричную или векторную норму заданного тензора.
`norm_except_dim`
`nuclear_norm`
`nansum`	Возвращает сумму всех элементов, считая значения Not a Numbers (NaN) равными нулю.
`prod`	Возвращает произведение всех элементов тензора `input`.
`quantile`	Вычисляет q-квантили каждой строки тензора `input` вдоль измерения `dim`.
`nanquantile`	Это вариант `torch.quantile()`, который «игнорирует» значения `NaN` и вычисляет квантили `q` так, как если бы значения `NaN` в `input` отсутствовали.
`std`	Вычисляет стандартное отклонение по измерениям, указанным в `dim`.
`std_mean`	Вычисляет стандартное отклонение и среднее значение по измерениям, указанным в `dim`.
`sum`	Возвращает сумму всех элементов тензора `input`.
`unique`	Возвращает уникальные элементы входного тензора.
`unique_consecutive`	Удаляет все элементы из каждой группы последовательных эквивалентных элементов, кроме первого.
`var`	Вычисляет дисперсию по измерениям, указанным в `dim`.
`var_mean`	Вычисляет дисперсию и среднее значение по измерениям, указанным в `dim`.
`count_nonzero`	Подсчитывает количество ненулевых значений в тензоре `input` вдоль заданного измерения `dim`.
`hash_tensor`	Возвращает хеш всех элементов тензора `input`.

Операции сравнения

`allclose`	Эта функция проверяет, удовлетворяют ли `input` и `other` следующему условию:
`argsort`	Возвращает индексы, которые сортируют тензор по заданному измерению в порядке возрастания значений.
`eq`	Вычисляет поэлементное равенство
`equal`	`True`, если два тензора имеют одинаковые размеры и элементы, и `False` в противном случае.
`ge`	Поэлементно вычисляет $\text{input} \geq \text{other}$ .
`greater_equal`	Псевдоним для `torch.ge()`.
`gt`	Поэлементно вычисляет $\text{input} > \text{other}$ .
`greater`	Псевдоним для `torch.gt()`.
`isclose`	Возвращает новый тензор с логическими элементами, указывающими, является ли каждый элемент `input` «близким» к соответствующему элементу `other`.
`isfinite`	Возвращает новый тензор с логическими элементами, указывающими, является ли каждый элемент `finite`.
`isin`	Проверяет, содержится ли каждый элемент `elements` в `test_elements`.
`isinf`	Проверяет, является ли каждый элемент `input` бесконечным (положительной или отрицательной бесконечностью).
`isposinf`	Проверяет, является ли каждый элемент `input` положительной бесконечностью.
`isneginf`	Проверяет, является ли каждый элемент `input` отрицательной бесконечностью.
`isnan`	Возвращает новый тензор с логическими элементами, указывающими, является ли каждый элемент `input` значением NaN.
`isreal`	Возвращает новый тензор с логическими элементами, указывающими, является ли каждый элемент `input` действительным числом.
`kthvalue`	Возвращает именованный кортеж `(values, indices)`, где `values` — это `k`-й наименьший элемент каждой строки тензора `input` по заданному измерению `dim`.
`le`	Поэлементно вычисляет $\text{input} \leq \text{other}$ .
`less_equal`	Псевдоним для `torch.le()`.
`lt`	Поэлементно вычисляет $\text{input} < \text{other}$ .
`less`	Псевдоним для `torch.lt()`.
`maximum`	Вычисляет поэлементный максимум `input` и `other`.
`minimum`	Вычисляет поэлементный минимум `input` и `other`.
`fmax`	Вычисляет поэлементный максимум `input` и `other`.
`fmin`	Вычисляет поэлементный минимум `input` и `other`.
`ne`	Поэлементно вычисляет $\text{input} \neq \text{other}$ .
`not_equal`	Псевдоним для `torch.ne()`.
`sort`	Сортирует элементы тензора `input` по заданному измерению в порядке возрастания значений.
`topk`	Возвращает `k` наибольших элементов заданного тензора `input` по заданному измерению.
`msort`	Сортирует элементы тензора `input` по его первому измерению в порядке возрастания значений.

Спектральные операции

`stft`	Кратковременное преобразование Фурье (STFT).
`istft`	Обратное кратковременное преобразование Фурье.
`bartlett_window`	Оконная функция Бартлетта.
`blackman_window`	Оконная функция Блэкмана.
`hamming_window`	Оконная функция Хэмминга.
`hann_window`	Оконная функция Ханна.
`kaiser_window`	Вычисляет окно Кайзера длиной `window_length` и с параметром формы `beta`.

Прочие операции

`adaptive_avg_pool1d`	Применяет адаптивную одномерную операцию усредняющего пулинга к входному сигналу, состоящему из нескольких входных плоскостей.
`adaptive_max_pool1d`
`affine_grid_generator`
`alpha_dropout`
`alpha_dropout_`	Версия `torch.alpha_dropout()` с изменением на месте
`as_strided_`	Версия `torch.as_strided()` с изменением на месте
`atleast_1d`	Возвращает одномерное представление каждого входного тензора с нулевым числом измерений.
`atleast_2d`	Возвращает двумерное представление каждого входного тензора с нулевым числом измерений.
`atleast_3d`	Возвращает трёхмерное представление каждого входного тензора с нулевым числом измерений.
`avg_pool1d`	Применяет одномерную операцию усредняющего пулинга к входному сигналу, состоящему из нескольких входных плоскостей.
`batch_norm_backward_elemt`
`batch_norm_backward_reduce`
`batch_norm_elemt`
`batch_norm_gather_stats`
`batch_norm_gather_stats_with_counts`
`batch_norm_stats`
`batch_norm_update_stats`
`bilinear`	Применяет билинейное преобразование к входным данным: $y = x_1^T A x_2 + b$
`bincount`	Подсчитывает частоту каждого значения в массиве неотрицательных целых чисел.
`binomial`
`block_diag`	Создаёт блочно-диагональную матрицу из переданных тензоров.
`broadcast_tensors`	Выполняет широковещательное преобразование заданных тензоров согласно семантике широковещательного преобразования.
`broadcast_to`	Выполняет широковещательное преобразование `input` до формы `shape`.
`broadcast_shapes`	Аналогична `broadcast_tensors()`, но применяется к формам.
`bucketize`	Возвращает индексы сегментов, к которым относится каждое значение в `input`; границы сегментов задаются с помощью `boundaries`.
`cartesian_prod`	Вычисляет декартово произведение заданной последовательности тензоров.
`cdist`	Вычисляет пакетное расстояние по p-норме между каждой парой строковых векторов из двух наборов.
`celu_`	Версия `celu()` с изменением на месте.
`channel_shuffle`	Разделяет каналы тензора формы $(, C , H, W)$ на g групп и переставляет их в форму $(, C \frac g, g, H, W)$ , сохраняя исходную форму тензора.
`choose_qparams_optimized`
`clone`	Возвращает копию `input`.
`combinations`	Вычисляет комбинации длины $r$ заданного тензора.
`conv1d`	Применяет одномерную свёртку к входному сигналу, состоящему из нескольких входных плоскостей.
`conv3d`	Применяет трёхмерную свёртку к входному изображению, состоящему из нескольких входных плоскостей.
`conv_tbc`	Применяет одномерную свёртку последовательности к входной последовательности.
`conv_transpose1d`	Применяет оператор одномерной транспонированной свёртки к входному сигналу, состоящему из нескольких входных плоскостей; также иногда называется «деконволюцией».
`conv_transpose2d`	Применяет оператор двумерной транспонированной свёртки к входному изображению, состоящему из нескольких входных плоскостей; также иногда называется «деконволюцией».
`conv_transpose3d`	Применяет оператор трёхмерной транспонированной свёртки к входному изображению, состоящему из нескольких входных плоскостей; также иногда называется «деконволюцией»
`convolution`
`corrcoef`	Оценивает матрицу коэффициентов корреляции произведений моментов Пирсона для переменных, заданных матрицей `input`, где строки соответствуют переменным, а столбцы — наблюдениям.
`cosine_embedding_loss`
`cosine_similarity`	Возвращает косинусное сходство между `x1` и `x2`, вычисленное вдоль измерения dim.
`cov`	Оценивает ковариационную матрицу переменных, заданных матрицей `input`, где строки соответствуют переменным, а столбцы — наблюдениям.
`cross`	Возвращает векторное произведение векторов в измерении `dim` тензоров `input` и `other`.
`ctc_loss`
`cudnn_affine_grid_generator`
`cudnn_batch_norm`
`cudnn_convolution`
`cudnn_convolution_add_relu`
`cudnn_convolution_relu`
`cudnn_convolution_transpose`
`cudnn_grid_sampler`
`cudnn_is_acceptable`
`cummax`	Возвращает именованный кортеж `(values, indices)`, в котором `values` — накопительный максимум элементов `input` по измерению `dim`.
`cummin`	Возвращает именованный кортеж `(values, indices)`, в котором `values` — накопительный минимум элементов `input` по измерению `dim`.
`cumprod`	Возвращает накопительное произведение элементов `input` по измерению `dim`.
`cumsum`	Возвращает накопительную сумму элементов `input` по измерению `dim`.
`detach_`	Версия `torch.detach()` с изменением на месте
`diag`	Если `input` — вектор (одномерный тензор), возвращает квадратный двумерный тензор
`diag_embed`	Создаёт тензор, в котором диагонали определённых двумерных плоскостей (указанных с помощью `dim1` и `dim2`) заполняются значениями `input`.
`diagflat`	Если `input` — вектор (одномерный тензор), возвращает квадратный двумерный тензор
`diagonal`	Возвращает частичное представление `input`, добавляя его диагональные элементы относительно `dim1` и `dim2` в качестве измерения в конце формы.
`diff`	Вычисляет n-ю прямую разность вдоль заданного измерения.
`dropout_`
`einsum`	Суммирует произведения элементов входного `operands` по измерениям, указанным с помощью обозначений, основанных на соглашении суммирования Эйнштейна.
`embedding`
`embedding_renorm_`
`fbgemm_linear_fp16_weight`
`fbgemm_linear_fp16_weight_fp32_activation`
`fbgemm_linear_int8_weight`
`fbgemm_linear_int8_weight_fp32_activation`
`fbgemm_linear_quantize_weight`
`fbgemm_pack_gemm_matrix_fp16`
`fbgemm_pack_quantized_matrix`
`feature_alpha_dropout`
`feature_alpha_dropout_`	Версия `torch.feature_alpha_dropout()` с изменением на месте
`feature_dropout`
`feature_dropout_`	Версия `torch.feature_dropout()` с изменением на месте
`flatten`	Преобразует `input` в одномерный тензор, изменяя его форму.
`flip`	Изменяет порядок элементов n-мерного тензора на обратный вдоль заданных осей в dims.
`fliplr`	Отражает тензор слева направо и возвращает новый тензор.
`flipud`	Отражает тензор сверху вниз и возвращает новый тензор.
`fused_moving_avg_obs_fake_quant`
`gcd`	Поэлементно вычисляет наибольший общий делитель (НОД) `input` и `other`.
`gcd_`	Версия `torch.gcd()` с изменением на месте
`grid_sampler_2d`
`grid_sampler_3d`
`group_norm`
`gru`
`gru_cell`
`hardshrink`	Поэлементно применяет функцию жёсткого сжатия
`hinge_embedding_loss`
`histc`	Вычисляет гистограмму тензора.
`histogram`	Вычисляет гистограмму значений тензора.
`histogramdd`	Вычисляет многомерную гистограмму значений тензора.
`instance_norm`
`int_repr`
`kl_div`
`kron`	Вычисляет произведение Кронекера, обозначаемое символом $\otimes$ , тензоров `input` и `other`.
`lcm`	Поэлементно вычисляет наименьшее общее кратное (НОК) `input` и `other`.
`lcm_`	Версия `torch.lcm()` с изменением на месте
`logcumsumexp`	Возвращает логарифм накопительной суммы экспонент элементов `input` по измерению `dim`.
`lstm`
`lstm_cell`
`margin_ranking_loss`
`max_pool1d`
`max_pool3d`
`meshgrid`	Создаёт сетки координат, заданных одномерными входными тензорами в `attr`:tensors.
`miopen_batch_norm`
`miopen_convolution`
`miopen_convolution_add_relu`
`miopen_convolution_relu`
`miopen_convolution_transpose`
`miopen_ctc_loss`
`miopen_depthwise_convolution`
`miopen_rnn`
`mkldnn_adaptive_avg_pool2d`
`mkldnn_convolution`
`mkldnn_linear_backward_weights`
`mkldnn_max_pool2d`
`mkldnn_max_pool3d`
`mkldnn_rnn_layer`
`native_batch_norm`
`native_channel_shuffle`	Реализация `channel_shuffle` на уровне нативного ядра.
`native_group_norm`

`native_layer_norm`
`native_norm`
`pairwise_distance`	Подробнее см. в разделе `torch.nn.PairwiseDistance`
`pdist`	Вычисляет расстояние в p-норме между каждой парой векторов-строк входных данных.
`pixel_unshuffle`	Отменяет операцию `PixelShuffle`, переставляя элементы тензора формы $(, C, H \times r, W \times r)$ в тензор формы $(, C \times r^2, H, W)$ , где r — `downscale_factor`.
`poisson_nll_loss`
`prelu`	Поэлементно применяет функцию $\text{PReLU}(x) = \max(0,x) + \text{weight} * \min(0,x)$ , где weight — обучаемый параметр.
`q_per_channel_axis`
`q_per_channel_scales`
`q_per_channel_zero_points`
`q_scale`
`q_zero_point`
`quantized_gru_cell`
`quantized_lstm_cell`
`quantized_max_pool3d`
`quantized_rnn_relu_cell`
`quantized_rnn_tanh_cell`
`ravel`	Возвращает непрерывный развёрнутый тензор.
`relu_`	Версия `relu()`, изменяющая данные на месте.
`renorm`	Возвращает тензор, в котором каждый подтензор `input` вдоль измерения `dim` нормализован так, что `p`-норма подтензора меньше значения `maxnorm`
`repeat_interleave`	Повторяет элементы тензора.
`resize_as_`
`resize_as_sparse_`
`rms_norm`
`rnn_relu`
`rnn_relu_cell`
`rnn_tanh`
`rnn_tanh_cell`
`roll`	Циклически сдвигает тензор `input` вдоль указанных измерений.
`rot90`	Поворачивает n-мерный тензор на 90 градусов в плоскости, заданной осями dims.
`rrelu`
`rrelu_`	Версия `rrelu()`, изменяющая данные на месте.
`rsub`
`searchsorted`	Находит индексы во внутреннем измерении `sorted_sequence` так, чтобы при вставке перед этими индексами соответствующих значений из `values` сохранялся порядок соответствующего внутреннего измерения в `sorted_sequence`.
`selu`
`selu_`	Версия `selu()`, изменяющая данные на месте.
`tensordot`	Возвращает свёртку a и b по нескольким измерениям.
`threshold`
`threshold_`	Версия `threshold()`, изменяющая данные на месте.
`trace`	Возвращает сумму элементов диагонали входной двумерной матрицы.
`tril`	Возвращает нижнюю треугольную часть матрицы (двумерного тензора) или пакета матриц `input`; остальные элементы результирующего тензора `out` устанавливаются в 0.
`tril_indices`	Возвращает индексы нижней треугольной части матрицы размером `row` на `col` в тензоре 2×N: первая строка содержит координаты строк всех индексов, а вторая — координаты столбцов.
`triu`	Возвращает верхнюю треугольную часть матрицы (двумерного тензора) или пакета матриц `input`; остальные элементы результирующего тензора `out` устанавливаются в 0.
`triu_indices`	Возвращает индексы верхней треугольной части матрицы размером `row` на `col` в тензоре 2×N: первая строка содержит координаты строк всех индексов, а вторая — координаты столбцов.
`triplet_margin_loss`
`unflatten`	Разбивает одно измерение входного тензора на несколько измерений.
`vander`	Создаёт матрицу Вандермонда.
`view_as_real`	Возвращает представление `input` в виде вещественного тензора.
`view_as_complex`	Возвращает представление `input` в виде комплексного тензора.
`resolve_conj`	Возвращает новый тензор с материализованным комплексным сопряжением, если бит сопряжения у `input` установлен в `True`; в противном случае возвращает `input`.
`resolve_neg`	Возвращает новый тензор с материализованным отрицанием, если бит отрицания у `input` установлен в `True`; в противном случае возвращает `input`.

Операции BLAS и LAPACK

`addbmm`	Выполняет пакетное умножение матриц, сохранённых в `batch1` и `batch2`, с последующим сложением (результаты всех умножений матриц накапливаются вдоль первого измерения).
`addmm`	Выполняет умножение матриц `mat1` и `mat2`.
`addmv`	Выполняет умножение матрицы `mat` на вектор `vec`.
`addmv_`	Версия `torch.addmv()`, изменяющая данные на месте
`addr`	Вычисляет внешнее произведение векторов `vec1` и `vec2` и прибавляет его к матрице `input`.
`baddbmm`	Выполняет пакетное умножение матриц из `batch1` и `batch2`.
`bmm`	Выполняет пакетное умножение матриц, сохранённых в `input` и `mat2`.
`chain_matmul`	Возвращает произведение матриц для $N$ двумерных тензоров.
`cholesky_inverse`	Вычисляет обратную матрицу комплексной эрмитовой или вещественной симметричной положительно определённой матрицы по её разложению Холецкого.
`cholesky_solve`	Вычисляет решение системы линейных уравнений с комплексной эрмитовой или вещественной симметричной положительно определённой левой частью по её разложению Холецкого.
`dot`	Вычисляет скалярное произведение двух одномерных тензоров.
`dsmm`
`geqrf`	Это низкоуровневая функция для прямого вызова LAPACK geqrf.
`ger`	Псевдоним для `torch.outer()`.
`hsmm`
`inner`	Вычисляет скалярное произведение одномерных тензоров.
`inverse`	Псевдоним для `torch.linalg.inv()`
`det`	Псевдоним для `torch.linalg.det()`
`logdet`	Вычисляет логарифм определителя квадратной матрицы или пакета квадратных матриц.
`slogdet`	Псевдоним для `torch.linalg.slogdet()`
`lu`	Вычисляет LU-разложение матрицы или пакета матриц `A`.
`lu_solve`	Решает систему линейных уравнений $Ax = b$ с использованием LU-разложения A с частичным выбором главного элемента, полученного с помощью `lu_factor()`.
`lu_unpack`	Распаковывает LU-разложение, возвращённое функцией `lu_factor()`, в `P, L, U` матрицы.
`matmul`	Произведение двух тензоров.
`matrix_power`	Псевдоним для `torch.linalg.matrix_power()`
`matrix_exp`	Псевдоним для `torch.linalg.matrix_exp()`.
`mm`	Выполняет умножение матриц `input` и `mat2`.
`mv`	Выполняет умножение матрицы `input` на вектор `vec`.
`orgqr`	Псевдоним для `torch.linalg.householder_product()`.
`ormqr`	Вычисляет произведение матриц Хаусхолдера и общей матрицы.
`outer`	Внешнее произведение `input` и `vec2`.
`pinverse`	Псевдоним для `torch.linalg.pinv()`
`saddmm`
`spmm`
`svd`	Вычисляет сингулярное разложение матрицы или пакета матриц `input`.
`svd_lowrank`	Возвращает сингулярное разложение `(U, S, V)` матрицы, пакета матриц или разреженной матрицы $A$ , такое что $A \approx U \operatorname{diag}(S) V^{\text{H}}$ .
`pca_lowrank`	Выполняет линейный анализ главных компонент (PCA) матрицы низкого ранга, пакета таких матриц или разреженной матрицы.
`lobpcg`	Находит k наибольших (или наименьших) собственных значений и соответствующие собственные векторы обобщённой задачи на собственные значения для симметричной положительно определённой матрицы с помощью безматричных методов LOBPCG.
`trapz`	Псевдоним для `torch.trapezoid()`.
`trapezoid`	Вычисляет метод трапеций вдоль `dim`.
`cumulative_trapezoid`	Вычисляет накопленное значение по методу трапеций вдоль `dim`.
`triangular_solve`	Решает систему уравнений с обратимой квадратной верхней или нижней треугольной матрицей $A$ и несколькими правыми частями $b$ .
`vdot`	Вычисляет скалярное произведение двух одномерных векторов вдоль заданного измерения.

Операции Foreach

Предупреждение

Этот API находится в бета-версии и может измениться в будущем. Поддержка AD в режиме прямого прохода отсутствует.

`_foreach_abs`	Применяет `torch.abs()` к каждому тензору входного списка.
`_foreach_abs_`	Применяет `torch.abs()` к каждому тензору входного списка.
`_foreach_acos`	Применяет `torch.acos()` к каждому тензору входного списка.
`_foreach_acos_`	Применяет `torch.acos()` к каждому тензору входного списка.
`_foreach_asin`	Применяет `torch.asin()` к каждому тензору входного списка.
`_foreach_asin_`	Применяет `torch.asin()` к каждому тензору входного списка.
`_foreach_atan`	Применяет `torch.atan()` к каждому тензору входного списка.
`_foreach_atan_`	Применяет `torch.atan()` к каждому тензору входного списка.
`_foreach_ceil`	Применяет `torch.ceil()` к каждому тензору входного списка.
`_foreach_ceil_`	Применяет `torch.ceil()` к каждому тензору входного списка.
`_foreach_clone`
`_foreach_cos`	Применяет `torch.cos()` к каждому тензору входного списка.
`_foreach_cos_`	Применяет `torch.cos()` к каждому тензору входного списка.
`_foreach_cosh`	Применяет `torch.cosh()` к каждому тензору входного списка.
`_foreach_cosh_`	Применяет `torch.cosh()` к каждому тензору входного списка.
`_foreach_erf`	Применяет `torch.erf()` к каждому тензору входного списка.
`_foreach_erf_`	Применяет `torch.erf()` к каждому тензору входного списка.
`_foreach_erfc`	Применяет `torch.erfc()` к каждому тензору входного списка.
`_foreach_erfc_`	Применяет `torch.erfc()` к каждому тензору входного списка.
`_foreach_exp`	Применяет `torch.exp()` к каждому тензору входного списка.
`_foreach_exp_`	Применяет `torch.exp()` к каждому тензору входного списка.
`_foreach_expm1`	Применяет `torch.expm1()` к каждому тензору входного списка.
`_foreach_expm1_`	Применяет `torch.expm1()` к каждому тензору входного списка.
`_foreach_floor`	Применяет `torch.floor()` к каждому тензору входного списка.
`_foreach_floor_`	Применяет `torch.floor()` к каждому тензору входного списка.
`_foreach_log`	Применяет `torch.log()` к каждому тензору входного списка.
`_foreach_log_`	Применяет `torch.log()` к каждому тензору входного списка.
`_foreach_log10`	Применяет `torch.log10()` к каждому тензору входного списка.
`_foreach_log10_`	Применяет `torch.log10()` к каждому тензору входного списка.
`_foreach_log1p`	Применяет `torch.log1p()` к каждому тензору входного списка.
`_foreach_log1p_`	Применяет `torch.log1p()` к каждому тензору входного списка.
`_foreach_log2`	Применяет `torch.log2()` к каждому тензору входного списка.
`_foreach_log2_`	Применяет `torch.log2()` к каждому тензору входного списка.
`_foreach_neg`	Применяет `torch.neg()` к каждому тензору входного списка.
`_foreach_neg_`	Применяет `torch.neg()` к каждому тензору входного списка.
`_foreach_tan`	Применяет `torch.tan()` к каждому тензору входного списка.
`_foreach_tan_`	Применяет `torch.tan()` к каждому тензору входного списка.
`_foreach_sin`	Применяет `torch.sin()` к каждому тензору входного списка.
`_foreach_sin_`	Применяет `torch.sin()` к каждому тензору входного списка.
`_foreach_sinh`	Применяет `torch.sinh()` к каждому тензору входного списка.
`_foreach_sinh_`	Применяет `torch.sinh()` к каждому тензору входного списка.
`_foreach_round`	Применяет `torch.round()` к каждому тензору входного списка.
`_foreach_round_`	Применяет `torch.round()` к каждому тензору входного списка.
`_foreach_sqrt`	Применяет `torch.sqrt()` к каждому тензору входного списка.
`_foreach_sqrt_`	Применяет `torch.sqrt()` к каждому тензору входного списка.
`_foreach_lgamma`	Применяет `torch.lgamma()` к каждому тензору входного списка.
`_foreach_lgamma_`	Применяет `torch.lgamma()` к каждому тензору входного списка.
`_foreach_frac`	Применяет `torch.frac()` к каждому тензору входного списка.
`_foreach_frac_`	Применяет `torch.frac()` к каждому тензору входного списка.
`_foreach_reciprocal`	Применяет `torch.reciprocal()` к каждому тензору входного списка.
`_foreach_reciprocal_`	Применяет `torch.reciprocal()` к каждому тензору входного списка.
`_foreach_sigmoid`	Применяет `torch.sigmoid()` к каждому тензору входного списка.
`_foreach_sigmoid_`	Применяет `torch.sigmoid()` к каждому тензору входного списка.
`_foreach_trunc`	Применяет `torch.trunc()` к каждому тензору входного списка.
`_foreach_trunc_`	Применяет `torch.trunc()` к каждому тензору входного списка.
`_foreach_zero_`	Применяет `torch.zero()` к каждому тензору входного списка.

Утилиты

`autocast_decrement_nesting`
`autocast_increment_nesting`
`clear_autocast_cache`
`compiled_with_cxx11_abi`	Возвращает, был ли PyTorch собран с _GLIBCXX_USE_CXX11_ABI=1
`get_autocast_cpu_dtype`
`get_autocast_dtype`
`get_autocast_gpu_dtype`
`get_autocast_ipu_dtype`
`get_autocast_xla_dtype`
`get_device`
`get_device_module`	Возвращает модуль, связанный с указанным устройством (например, torch.device('cuda'), "mtia:0", "xpu" и т. д.).
`import_ir_module`
`import_ir_module_from_buffer`
`is_anomaly_check_nan_enabled`
`is_anomaly_enabled`
`is_autocast_cache_enabled`
`is_autocast_cpu_enabled`
`is_autocast_enabled`
`is_autocast_ipu_enabled`
`is_autocast_xla_enabled`
`is_distributed`
`is_vulkan_available`
`merge_type_from_type_comment`
`parse_ir`
`parse_schema`
`parse_type_comment`
`result_type`	Возвращает `torch.dtype`, который будет получен в результате выполнения арифметической операции над входными тензорами.
`can_cast`	Определяет, допустимо ли преобразование типа в соответствии с правилами приведения PyTorch, описанными в документации по повышению типов.
`promote_types`	Возвращает `torch.dtype` наименьшего размера и скалярного вида, который не меньше и не имеет более низкий вид, чем `type1` или `type2`.
`set_anomaly_enabled`
`set_autocast_cache_enabled`
`set_autocast_cpu_dtype`
`set_autocast_cpu_enabled`
`set_autocast_dtype`
`set_autocast_enabled`
`set_autocast_gpu_dtype`
`set_autocast_ipu_dtype`
`set_autocast_ipu_enabled`
`set_autocast_xla_dtype`
`set_autocast_xla_enabled`
`use_deterministic_algorithms`	Задаёт, должны ли операции PyTorch использовать «детерминированные» алгоритмы.
`are_deterministic_algorithms_enabled`	Возвращает True, если глобальный флаг детерминированности включён.
`is_deterministic_algorithms_warn_only_enabled`	Возвращает True, если для глобального флага детерминированности установлен режим только предупреждений.
`set_deterministic_debug_mode`	Задаёт режим отладки для детерминированных операций.
`get_deterministic_debug_mode`	Возвращает текущее значение режима отладки для детерминированных операций.
`set_float32_matmul_precision`	Задаёт внутреннюю точность умножения матриц float32.
`get_float32_matmul_precision`	Возвращает текущее значение точности умножения матриц float32.
`set_warn_always`	Если этот флаг равен False (значение по умолчанию), некоторые предупреждения PyTorch могут появляться только один раз за процесс.
`is_warn_always_enabled`	Возвращает True, если глобальный флаг warn_always включён.
`vmap`	vmap — это векторизованное отображение; `vmap(func)` возвращает новую функцию, которая применяет `func` к некоторому измерению входных данных.
`_assert`	Обёртка над assert в Python, поддерживающая символическую трассировку.
`typename`	Строковое представление типа объекта.

Информация о типах

class torch.TensorType

Символические числа

class torch.SymInt(node) [исходный код]

Подобен int (включая магические методы), но перенаправляет все операции на обёрнутый узел. В частности, это используется для символической записи операций в процессе работы с символическими формами.

as_integer_ratio() [исходный код]

Представляет это целое число в виде точного отношения целых чисел

Тип возвращаемого значения:: tuple[SymInt, int]

class torch.SymFloat(node) [исходный код]

Подобен float (включая магические методы), но перенаправляет все операции на обёрнутый узел. В частности, это используется для символической записи операций в процессе работы с символическими формами.

as_integer_ratio() [исходный код]

Представляет это число с плавающей точкой в виде точного отношения целых чисел

Тип возвращаемого значения:: tuple[int, int]

conjugate() [исходный код]

Возвращает комплексно-сопряжённое значение числа с плавающей точкой.

Тип возвращаемого значения:: SymFloat

hex() [исходный код]

Возвращает шестнадцатеричное представление числа с плавающей точкой.

Тип возвращаемого значения:: str

is_integer() [исходный код]

Возвращает True, если число с плавающей точкой является целым.

Тип возвращаемого значения:: bool

class torch.SymBool(node) [исходный код]

Подобен bool (включая магические методы), но перенаправляет все операции на обёрнутый узел. В частности, это используется для символической записи операций в процессе работы с символическими формами.

В отличие от обычных значений bool, стандартные логические операторы создают дополнительные проверки вместо символического вычисления. Для этого используйте побитовые операторы.

`sym_constrain_range`
`sym_constrain_range_for_size`
`sym_float`	Утилита для приведения к float с поддержкой SymInt.
`sym_fresh_size`
`sym_int`	Утилита для приведения к int с поддержкой SymInt.
`sym_max`	Утилита для вычисления max с поддержкой SymInt, не требующая ветвления по условию a < b.
`sym_min`	Утилита для вычисления min() с поддержкой SymInt.
`sym_not`	Утилита для логического отрицания с поддержкой SymInt.
`sym_ite`	Утилита для тернарного оператора с поддержкой SymInt (`t if b else f`.)
`sym_sqrt`
`sym_sum`	Сложение N аргументов, которое вычисляется быстрее последовательного двоичного сложения для длинных списков.

Путь экспорта

Предупреждение

Эта функция является прототипом; в будущем возможны несовместимые изменения.

export generated/exportdb/index

Поток управления

Предупреждение

Эта функция является прототипом; в будущем возможны несовместимые изменения.

cond

Условно применяет true_fn или false_fn.

Оптимизации

compile

Оптимизирует указанную модель/функцию с помощью TorchDynamo и выбранного бэкенда.

Документация по torch.compile

Теги операторов

class torch.Tag

Элементы:

core

cudagraph_unsafe

data_dependent_output

dynamic_output_shape

flexible_layout

generated

inplace

inplace_view

maybe_aliasing_or_mutating

needs_contiguous_strides

needs_exact_strides

needs_fixed_stride_order

nondeterministic_bitwise

nondeterministic_seeded

out

out_variant

pointwise

pt2_compliant_tag

reduction

view_copy

property name

`get_inline_skeleton`	Получает полностью встроенный каркас фронтенда.
`get_model_info`	Получает информацию о модели в формате JSON.

StorageType

© 2026, PyTorch Contributors
PyTorch has a BSD-style license, as found in the LICENSE file.
https://docs.pytorch.org/docs/2.14/torch.html