torch

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

Он имеет аналог CUDA, который позволяет выполнять вычисления с тензорами на графическом процессоре NVIDIA с вычислительной способностью >= 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 типом данных, 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 данных с плавающей точкой, то есть одним из `torch.float64`, `torch.float32`, `torch.float16`, и `torch.bfloat16`.
`is_nonzero`	Возвращает True, если `input` является тензором с одним элементом, который не равен нулю после преобразований типов.
`set_default_dtype`	Устанавливает значение по умолчанию для типа данных с плавающей точкой в `d`.
`get_default_dtype`	Получить текущий значение по умолчанию для типа данных с плавающей точкой `torch.dtype`.
`set_default_device`	Устанавливает значение по умолчанию для `torch.Tensor` на `device`.
`set_default_tensor_type`	Устанавливает тип тензора по умолчанию для типа данных с плавающей точкой `t`.
`numel`	Возвращает общее количество элементов в тензоре `input`.
`set_printoptions`	Установить параметры для печати.
`set_flush_denormal`	Отключает денормализованные числа с плавающей точкой на процессоре.

Операции создания тензоров

Примечание

Операции случайного выбора приведены в разделе Случайный выбор и включают: torch.rand() torch.rand_like() torch.randn() torch.randn_like() torch.randint() torch.randint_like() torch.randperm() Вы также можете использовать torch.empty() с методами Неразрушающие операции случайного выбора для создания torch.Tensor с значениями, взятыми из более широкого диапазона распределений.

`tensor`	Создаёт тензор без истории автоградирования (также известный как «листовой тензор», см. Механизмы Autograd) путём копирования `data`.
`sparse_coo_tensor`	Создаёт разреженный тензор в формате COO (координат) со значениями в заданных `indices`.
`sparse_csr_tensor`	Создаёт разреженный тензор в формате CSR (Compressed Sparse Row) со значениями в заданных `crow_indices` и `col_indices`.
`sparse_csc_tensor`	Создаёт разреженный тензор в формате CSC (Compressed Sparse Column) со значениями в заданных `ccol_indices` и `row_indices`.
`sparse_bsr_tensor`	Создаёт разреженный тензор в формате BSR (Block Compressed Sparse Row) с заданными двумерными блоками в заданных `crow_indices` и `col_indices`.
`sparse_bsc_tensor`	Создаёт разреженный тензор в формате BSC (Block Compressed Sparse Column) с заданными двумерными блоками в заданных `ccol_indices` и `row_indices`.
`asarray`	Преобразует `obj` в тензор.
`as_tensor`	Преобразует `data` в тензор, совмещая данные и сохраняя историю автоградирования, если это возможно.
`as_strided`	Создаёт вид существующего `torch.Tensor` `input` со специфицированными `size`, `stride` и `storage_offset`.
`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, определённой переменным аргументом `size`.
`zeros_like`	Возвращает тензор, заполненный скалярным значением `0`, с теми же размерами, что и `input`.
`ones`	Возвращает тензор, заполненный скалярным значением `1`, с формой, определённой переменным аргументом `size`.
`ones_like`	Возвращает тензор, заполненный скалярным значением `1`, с теми же размерами, 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 общим 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` с равномерно расположенными значениями от `start` до `end`, включительно.
`logspace`	Создаёт одномерный тензор размера `steps` с равномерно расположенными значениями от ${{\text{{base}}}}^{{\text{{start}}}}$ до ${{\text{{base}}}}^{{\text{{end}}}}$ , включительно, по логарифмической шкале с основанием `base`.
`eye`	Возвращает 2-мерный тензор с единицами на диагонали и нулями в остальных местах.
`empty`	Возвращает тензор, заполненный незаполненными данными.
`empty_like`	Возвращает незаполненный тензор с теми же размерами, что и `input`.
`empty_strided`	Создаёт тензор со специфицированными `size` и `stride` и заполненными неопределёнными данными.
`full`	Создаёт тензор размера `size`, заполненный `fill_value`.
`full_like`	Возвращает тензор с теми же размерами, что и `input` заполненный `fill_value`.
`quantize_per_tensor`	Преобразует плавающий тензор в квантованный тензор с заданным масштабом и нулевым значением.
`quantize_per_channel`	Преобразует плавающий тензор в квантованный тензор с заданными масштабами и нулевыми значениями по каналам.
`dequantize`	Возвращает тензор fp32 путём деквантизации квантованного тензора.
`complex`	Создаёт комплексный тензор, действительная часть которого равна `real`, а мнимая часть равна `imag`.
`polar`	Создаёт комплексный тензор, элементы которого — декартовы координаты, соответствующие полярным координатам с абсолютным значением `abs` и углом `angle`.
`heaviside`	Вычисляет функцию Хевисайда для каждого элемента в `input`.

Индексирование, срезы, объединение, операции изменения

`adjoint`	Возвращает представление тензора, сопряжённого и с транспонированными двумя последними измерениями.
`argwhere`	Возвращает тензор, содержащий индексы всех ненулевых элементов `input`.
`cat`	Конкатенирует заданную последовательность тензоров `seq` по заданному измерению.
`concat`	Псевдоним для `torch.cat()`.
`concatenate`	Псевдоним для `torch.cat()`.
`conj`	Возвращает представление `input` с переключённым битом сопряжения.
`chunk`	Попытка разбить тензор на указанное количество кусков.
`dsplit`	Разделяет `input`, тензор с тремя или более измерениями, на несколько тензоров по глубине в соответствии с `indices_or_sections`.
`column_stack`	Создаёт новый тензор, склеивая тензоры в `tensors` по горизонтали.
`dstack`	Склеивает тензоры последовательно по глубине (по третьему измерению).
`gather`	Собрать значения по оси, указанной в `dim`.
`hsplit`	Разделяет `input`, тензор с одним или несколькими измерениями, на несколько тензоров по горизонтали в соответствии с `indices_or_sections`.
`hstack`	Склеивает тензоры последовательно по горизонтали (по столбцам).
`index_add`	См. `index_add_()` для описания функции.
`index_copy`	См. `index_add_()` для описания функции.
`index_reduce`	См. `index_reduce_()` для описания функции.
`index_select`	Возвращает новый тензор, индексирующий тензор `input` вдоль измерения `dim` используя записи в `index`, который является `LongTensor`.
`masked_select`	Возвращает новый 1-мерный тензор, который индексирует тензор `input` в соответствии с булевым маской `mask`, которая является `BoolTensor`.
`movedim`	Перемещает измерение(я) `input` в позиции(ях) `source` в позиции(и) в `destination`.
`moveaxis`	Псевдоним для `torch.movedim()`.
`narrow`	Возвращает новый тензор, который является суженным вариантом тензора `input`.
`narrow_copy`	То же самое, что и `Tensor.narrow()`, за исключением того, что возвращается копия, а не общий массив.
`nonzero`
`permute`	Возвращает представление исходного тензора `input` с переставленными измерениями.
`reshape`	Возвращает тензор с теми же данными и количеством элементов, что и `input`, но с указанной формой.
`row_stack`	Псевдоним для `torch.vstack()`.
`select`	Вырезает фрагмент из тензора `input` вдоль выбранного измерения по указанному индексу.
`scatter`	Неизменяющий вариант `torch.Tensor.scatter_()`
`diagonal_scatter`	Встраивает значения тензора `src` в `input` по диагональным элементам `input`, относительно `dim1` и `dim2`.
`select_scatter`	Встраивает значения тензора `src` в `input` по указанному индексу.
`slice_scatter`	Встраивает значения тензора `src` в `input` по указанному измерению.
`scatter_add`	Неизменяющий вариант `torch.Tensor.scatter_add_()`
`scatter_reduce`	Неизменяющий вариант `torch.Tensor.scatter_reduce_()`
`split`	Разделяет тензор на куски.
`squeeze`	Возвращает тензор, в котором удалены все указанные измерения `input` размера `1`.
`stack`	Конкатенирует последовательность тензоров вдоль нового измерения.
`swapaxes`	Псевдоним для `torch.transpose()`.
`swapdims`	Псевдоним для `torch.transpose()`.
`t`	Ожидает, что `input` будет тензором до 2-х измерений и транспонирует измерения 0 и 1.
`take`	Возвращает новый тензор с элементами `input` по указанным индексам.
`take_along_dim`	Выбирает значения из `input` по одномерным индексам из `indices` вдоль указанного `dim`.
`tensor_split`	Разделяет тензор на несколько подтензоров, каждый из которых является представлением `input`, вдоль измерения `dim` в соответствии с индексами или числом разделов, указанных в `indices_or_sections`.

END_OF_DOCUMENT_MARKER

`tile`	Создаёт тензор, повторяя элементы `input`.
`transpose`	Возвращает тензор, являющийся транспонированной версией `input`.
`unbind`	Удаляет измерение тензора.
`unsqueeze`	Возвращает новый тензор с размером измерения, равным единице, вставленным в указанную позицию.
`vsplit`	Разделяет `input`, тензор с двумя или более измерениями, на несколько тензоров вертикально в соответствии с `indices_or_sections`.
`vstack`	Склеивает тензоры последовательно вертикально (по строкам).
`where`	Возвращает тензор элементов, выбранных из `input` или `other`, в зависимости от `condition`.

Генераторы

Generator

Создаёт и возвращает объект генератора, который управляет состоянием алгоритма, генерирующего псевдослучайные числа.

Случайное выборка

`seed`	Устанавливает seed для генерации случайных чисел на не-детерминированное случайное число.
`manual_seed`	Устанавливает seed для генерации случайных чисел.
`initial_seed`	Возвращает начальный seed для генерации случайных чисел как 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`	Генерирует бинарные случайные числа (0 или 1) из распределения Бернулли.
`multinomial`	Возвращает тензор, где каждая строка содержит `num_samples` индексы, взятые из многомерного распределения вероятностей, расположенного в соответствующей строке тензора `input`.
`normal`	Возвращает тензор случайных чисел, взятых из отдельных нормальных распределений, среднее и стандартное отклонение которых заданы.
`poisson`	Возвращает тензор такого же размера, как `input`, где каждый элемент сгенерирован из распределения Пуассона с параметром скорости, заданным соответствующим элементом в `input`.
`rand`	Возвращает тензор, заполненный случайными числами из равномерного распределения на интервале $[0, 1)$
`rand_like`	Возвращает тензор с такими же размерами, как `input`, заполненный случайными числами из равномерного распределения на интервале $[0, 1)$ .
`randint`	Возвращает тензор, заполненный случайными целыми числами, сгенерированными равномерно между `low` (включительно) и `high` (исключительно).
`randint_like`	Возвращает тензор с такой же формой, как тензор `input`, заполненный случайными целыми числами, сгенерированными равномерно между `low` (включительно) и `high` (исключительно).
`randn`	Возвращает тензор, заполненный случайными числами из нормального распределения со средним значением `0` и дисперсией `1` (также называемое стандартным нормальным распределением).
`randn_like`	Возвращает тензор с такими же размерами, как `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`.

Встроенная случайная выборка

Есть несколько дополнительных функций случайной выборки «на месте» определённых для тензоров. Нажмите, чтобы ознакомиться с их документацией:

torch.Tensor.bernoulli_() - версия «на месте» для torch.bernoulli()
torch.Tensor.cauchy_() - числа, взятые из распределения Коши
torch.Tensor.exponential_() - числа, взятые из экспоненциального распределения
torch.Tensor.geometric_() - элементы, взятые из геометрического распределения
torch.Tensor.log_normal_() - выборки из логнормального распределения
torch.Tensor.normal_() - версия «на месте» для torch.normal()
torch.Tensor.random_() - числа, взятые из дискретного равномерного распределения
torch.Tensor.uniform_() - числа, взятые из непрерывного равномерного распределения

Квази-случайная выборка

quasirandom.SobolEngine

Движок torch.quasirandom.SobolEngine предназначен для генерации (перемешанных) последовательностей Соболя.

Сериализация

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

Параллельность

`get_num_threads`	Возвращает количество потоков, используемых для распараллеливания операций на CPU.
`set_num_threads`	Устанавливает количество потоков, используемых для внутриоперационной параллельности на CPU.
`get_num_interop_threads`	Возвращает количество потоков, используемых для межоперационной параллельности на CPU (например,
`set_num_interop_threads`	Устанавливает количество потоков, используемых для межоперационной параллельности (например,

Локальное отключение вычисления градиента

Менеджеры контекста torch.no_grad(), torch.enable_grad() и torch.set_grad_enabled() полезны для локального отключения и включения вычисления градиента. Подробнее об их использовании см. Локальное отключение вычисления градиента. Эти менеджеры контекста локальны для потока, поэтому они не сработают, если вы отправляете работу в другой поток, используя модуль threading, и т. д.

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, который отключает вычисление градиента.
`enable_grad`	Менеджер контекста, который включает вычисление градиента.
`set_grad_enabled`	Менеджер контекста, который включает или отключает вычисление градиента.
`is_grad_enabled`	Возвращает True, если режим градиента в настоящее время включен.
`inference_mode`	Менеджер контекста, который включает или выключает режим работы с выводами.
`is_inference_mode_enabled`	Возвращает True, если режим работы с выводами в настоящее время включен.

Математические операции

Точечные операции

`abs`	Вычисляет абсолютное значение каждого элемента в `input`.
`absolute`	Псевдоним для `torch.abs()`
`acos`	Вычисляет обратный косинус каждого элемента в `input`.
`arccos`	Псевдоним для `torch.acos()`.
`acosh`	Возвращает новый тензор с обратным гиперболическим косинусом элементов `input`.
`arccosh`	Псевдоним для `torch.acosh()`.
`add`	Добавляет `other`, масштабированный на `alpha`, к `input`.
`addcdiv`	Выполняет поэлементное деление `tensor1` на `tensor2`, умножает результат на скаляр `value` и добавляет его к `input`.
`addcmul`	Выполняет поэлементное умножение `tensor1` на `tensor2`, умножает результат на скаляр `value` и добавляет его к `input`.
`angle`	Вычисляет поэлементный угол (в радианах) данного `input` тензора.
`asin`	Возвращает новый тензор с арксинусом элементов `input`.
`arcsin`	Псевдоним для `torch.asin()`.
`asinh`	Возвращает новый тензор с обратным гиперболическим синусом элементов `input`.
`arcsinh`	Псевдоним для `torch.asinh()`.
`atan`	Возвращает новый тензор с арктангенсом элементов `input`.
`arctan`	Псевдоним для `torch.atan()`.
`atanh`	Возвращает новый тензор с обратным гиперболическим тангенсом элементов `input`.
`arctanh`	Псевдоним для `torch.atanh()`.
`atan2`	Поэлементный арктангенс $\text{input}_{i} / \text{other}_{i}$ с учетом квадранта.
`arctan2`	Псевдоним для `torch.atan2()`.
`bitwise_not`	Вычисляет побитовое НЕ для данного 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`	Вычисляет левое арифметическое сдвиг `input` на `other` бит.
`bitwise_right_shift`	Вычисляет правое арифметическое сдвиг `input` на `other` бит.
`ceil`	Возвращает новый тензор с потолком элементов `input`, наименьшее целое число, большее или равное каждому элементу.
`clamp`	Ограничивает все элементы в `input` в диапазоне `[` `min`, `max` `]`.
`clip`	Псевдоним для `torch.clamp()`.
`conj_physical`	Вычисляет поэлементное сопряжение данного `input` тензора.
`copysign`	Создает новый тензор с плавающей точкой с величиной `input` и знаком `other`, поэлементно.
`cos`	Возвращает новый тензор с косинусом элементов `input`.
`cosh`	Возвращает новый тензор с гиперболическим косинусом элементов `input`.
`deg2rad`	Возвращает новый тензор, в котором каждый элемент `input` преобразован из градусов в радианы.
`div`	Делит каждый элемент входного `input` на соответствующий элемент `other`.
`divide`	Псевдоним для `torch.div()`.
`digamma`	Псевдоним для `torch.special.digamma()`.
`erf`	Псевдоним для `torch.special.erf()`.
`erfc`	Псевдоним для `torch.special.erfc()`.
`erfinv`	Псевдоним для `torch.special.erfinv()`.
`exp`	Возвращает новый тензор с экспонентой элементов входного тензора `input`.
`exp2`	Псевдоним для `torch.special.exp2()`.

END_OF_DOCUMENT_MARKER

`expm1`	Псевдоним для `torch.special.expm1()`.
`fake_quantize_per_channel_affine`	Возвращает новый тензор с данными в `input` с фейковым квантованием по каналу с использованием `scale`, `zero_point`, `quant_min` и `quant_max`, по каналу, указанному в `axis`.
`fake_quantize_per_tensor_affine`	Возвращает новый тензор с данными в `input` с фейковым квантованием по тензору с использованием `scale`, `zero_point`, `quant_min` и `quant_max`.
`fix`	Псевдоним для `torch.trunc()`.
`float_power`	Возводит `input` в степень `exponent`, поэлементно, с двойной точностью.
`floor`	Возвращает новый тензор с целой частью элементов `input`, наибольшим целым числом, меньшим или равным каждому элементу.
`floor_divide`
`fmod`	Применяет C++'s std::fmod поэлементно.
`frac`	Вычисляет дробную часть каждого элемента в `input`.
`frexp`	Разлагает `input` на тензоры мантиссы и экспоненты, такие что $\text{input} = \text{mantissa} \times 2^{\text{exponent}}$ .
`gradient`	Оценивает градиент функции $g : \mathbb{R}^n \rightarrow \mathbb{R}$ в одной или нескольких размерностях, используя метод центральных разностей второго порядка, и либо оценку первого, либо второго порядка на границах.
`imag`	Возвращает новый тензор, содержащий мнимые значения тензора `self`.
`ldexp`	Умножает `input` на 2 ** `other`.
`lerp`	Выполняет линейную интерполяцию двух тензоров `start` (заданных `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 натуральным логарифмом элементов `input`.
`log10`	Возвращает новый тензор с логарифмом по основанию 10 элементов `input`.
`log1p`	Возвращает новый тензор с натуральным логарифмом (1 + `input`).
`log2`	Возвращает новый тензор с логарифмом по основанию 2 элементов `input`.
`logaddexp`	Логарифм суммы экспоненциальных значений входных данных.
`logaddexp2`	Логарифм суммы экспоненциальных значений входных данных в двоичной системе.
`logical_and`	Вычисляет поэлементное логическое И заданных входных тензоров.
`logical_not`	Вычисляет поэлементное логическое НЕ заданного входного тензора.
`logical_or`	Вычисляет поэлементное логическое ИЛИ заданных входных тензоров.
`logical_xor`	Вычисляет поэлементное логическое ИСКЛЮЧАЮЩЕЕ ИЛИ заданных входных тензоров.
`logit`	Псевдоним для `torch.special.logit()`.
`hypot`	При заданных катетах прямоугольного треугольника возвращает его гипотенузу.
`i0`	Псевдоним для `torch.special.i0()`.
`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` на значения, заданные соответственно `nan`, `posinf` и `neginf`.
`neg`	Возвращает новый тензор с отрицательными элементами `input`.
`negative`	Псевдоним для `torch.neg()`.
`nextafter`	Возвращает следующее значение с плавающей запятой после `input` в направлении `other`, поэлементно.
`polygamma`	Псевдоним для `torch.special.polygamma()`.
`positive`	Возвращает `input`.
`pow`	Возводит каждый элемент `input` в степень `exponent` и возвращает тензор с результатом.

END_OF_DOCUMENT_MARKER

`quantized_batch_norm`	Применяет пакетную нормализацию к 4D (NCHW) квантованному тензору.
`quantized_max_pool1d`	Применяет 1D максимальное пулингование к входному квантованному тензору, состоящему из нескольких входных плоскостей.
`quantized_max_pool2d`	Применяет 2D максимальное пулингование к входному квантованному тензору, состоящему из нескольких входных плоскостей.
`rad2deg`	Возвращает новый тензор, в котором каждый элемент `input`, преобразован из углов в радианах в градусы.
`real`	Возвращает новый тензор, содержащий вещественные значения тензора `self`.
`reciprocal`	Возвращает новый тензор с обратными значениями элементов `input`.
`remainder`	Вычисляет операцию взятия остатка (модуль) по элементам.
`round`	Округляет элементы `input` до ближайшего целого числа.
`rsqrt`	Возвращает новый тензор с обратным значением квадратного корня каждого элемента `input`.
`sigmoid`	Псевдоним для `torch.special.expit()`.
`sign`	Возвращает новый тензор со знаками элементов `input`.
`sgn`	Эта функция является расширением torch.sign() для комплексных тензоров.
`signbit`	Проверяет, установлен ли бит знака каждого элемента `input` или нет.
`sin`	Возвращает новый тензор с синусом элементов `input`.
`sinc`	Псевдоним для `torch.special.sinc()`.
`sinh`	Возвращает новый тензор с гиперболическим синусом элементов `input`.
`softmax`	Псевдоним для `torch.nn.functional.softmax()`.
`sqrt`	Возвращает новый тензор с квадратным корнем элементов `input`.
`square`	Возвращает новый тензор с квадратом элементов `input`.
`sub`	Вычитает `other`, масштабированное на `alpha`, из `input`.
`subtract`	Псевдоним для `torch.sub()`.
`tan`	Возвращает новый тензор с тангенсом элементов `input`.
`tanh`	Возвращает новый тензор с гиперболическим тангенсом элементов `input`.
`true_divide`	Псевдоним для `torch.div()` с `rounding_mode=None`.
`trunc`	Возвращает новый тензор с усеченными целыми значениями элементов `input`.
`xlogy`	Псевдоним для `torch.special.xlogy()`.

Операции редукции

`argmax`	Возвращает индексы максимального значения всех элементов в тензоре `input`.
`argmin`	Возвращает индексы минимального значения (значений) сплющенного тензора или по размерности
`amax`	Возвращает максимальное значение каждого слайса тензора `input` по заданной размерности(ям) `dim`.
`amin`	Возвращает минимальное значение каждого слайса тензора `input` по заданной размерности(ям) `dim`.
`aminmax`	Вычисляет минимальное и максимальное значения тензора `input`.
`all`	Проверяет, вычисляются ли все элементы в `input` к `True`.
`any`	Проверяет, вычисляется ли любой элемент в `input` к `True`.
`max`	Возвращает максимальное значение всех элементов в тензоре `input`.
`min`	Возвращает минимальное значение всех элементов в тензоре `input`.
`dist`	Возвращает p-норму (`input` - `other`)
`logsumexp`	Возвращает логарифм суммы экспонент каждой строки тензора `input` по заданной размерности `dim`.
`mean`	Возвращает среднее значение всех элементов в тензоре `input`.
`nanmean`	Вычисляет среднее значение всех `non-NaN` элементов по указанным размерностям.
`median`	Возвращает медиану значений в `input`.
`nanmedian`	Возвращает медиану значений в `input`, игнорируя `NaN` значения.
`mode`	Возвращает кортеж `(values, indices)`, где `values` — модальное значение каждой строки тензора `input` по заданной размерности `dim`, т. е. значение, которое встречается чаще всего в этой строке, а `indices` — индексное расположение каждого модального значения.
`norm`	Возвращает матричную норму или векторную норму заданного тензора.
`nansum`	Возвращает сумму всех элементов, обрабатывая значения Not a Number (NaN) как ноль.
`prod`	Возвращает произведение всех элементов в тензоре `input`.
`quantile`	Вычисляет квантили q-го каждой строки тензора `input` по размерности `dim`.
`nanquantile`	Это вариант `torch.quantile()`, который «игнорирует» `NaN` значения, вычисляя квантили `q` так, как если бы `NaN` значения в `input` не существовали.
`std`	Вычисляет стандартное отклонение по размерностям, указанным в `dim`.
`std_mean`	Вычисляет стандартное отклонение и среднее значение по размерностям, указанным в `dim`.
`sum`	Возвращает сумму всех элементов в тензоре `input`.
`unique`	Возвращает уникальные элементы входного тензора.
`unique_consecutive`	Убирает все, кроме первого элемента из каждой последовательной группы эквивалентных элементов.
`var`	Вычисляет дисперсию по размерностям, указанным в `dim`.
`var_mean`	Вычисляет дисперсию и среднее значение по размерностям, указанным в `dim`.
`count_nonzero`	Подсчитывает количество ненулевых значений в тензоре `input` по заданной `dim`.

Операции сравнения

`allclose`	Эта функция проверяет, удовлетворяют ли `input` и `other` условию:
`argsort`	Возвращает индексы, которые сортируют тензор вдоль заданного измерения в порядке возрастания значений.
`eq`	Вычисляет поэлементное равенство
`equal`	`True` если два тензора имеют одинаковый размер и элементы, `False` в противном случае.
`ge`	Вычисляет $\text{input} \geq \text{other}$ поэлементно.
`greater_equal`	Псевдоним для `torch.ge()`.
`gt`	Вычисляет $\text{input} > \text{other}$ поэлементно.
`greater`	Псевдоним для `torch.gt()`.
`isclose`	Возвращает новый тензор с булевыми элементами, представляющими, является ли каждый элемент `input` «близким» к соответствующему элементу `other`.
`isfinite`	Возвращает новый тензор с булевыми элементами, представляющими, является ли каждый элемент `finite` или нет.
`isin`	Проверяет, входит ли каждый элемент `elements` в `test_elements`.
`isinf`	Проверяет, является ли каждый элемент `input` бесконечным (положительной или отрицательной бесконечностью) или нет.
`isposinf`	Проверяет, является ли каждый элемент `input` положительной бесконечностью или нет.
`isneginf`	Проверяет, является ли каждый элемент `input` отрицательной бесконечностью или нет.
`isnan`	Возвращает новый тензор с булевыми элементами, представляющими, является ли каждый элемент `input` NaN или нет.
`isreal`	Возвращает новый тензор с булевыми элементами, представляющими, является ли каждый элемент `input` действительным или нет.
`kthvalue`	Возвращает кортеж `(values, indices)`, где `values` — `k`-й по малости элемент каждой строки тензора `input` в заданном измерении `dim`.
`le`	Вычисляет $\text{input} \leq \text{other}$ поэлементно.
`less_equal`	Псевдоним для `torch.le()`.
`lt`	Вычисляет $\text{input} < \text{other}$ поэлементно.
`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`	Вычисляет $\text{input} \neq \text{other}$ поэлементно.
`not_equal`	Псевдоним для `torch.ne()`.
`sort`	Сортирует элементы тензора `input` вдоль заданного измерения в порядке возрастания значений.
`topk`	Возвращает `k` наибольших элементов данного тензора `input` вдоль заданного измерения.
`msort`	Сортирует элементы тензора `input` вдоль своего первого измерения в порядке возрастания значений.

Спектральные операции

`stft`	Преобразование Фурье короткого временного интервала (STFT).
`istft`	Обратное преобразование Фурье короткого временного интервала.
`bartlett_window`	Функция окна Бартлетта.
`blackman_window`	Функция окна Блэкмана.
`hamming_window`	Функция окна Хэмминга.
`hann_window`	Функция окна Ханнинга.
`kaiser_window`	Вычисляет окно Кайзера с длиной окна `window_length` и параметром формы `beta`.

Другие операции

`atleast_1d`	Возвращает одномерный вид каждого входного тензора с нулевыми измерениями.
`atleast_2d`	Возвращает двумерный вид каждого входного тензора с нулевыми измерениями.
`atleast_3d`	Возвращает трехмерный вид каждого входного тензора с нулевыми измерениями.
`bincount`	Подсчитывает частоту каждого значения в массиве неотрицательных целых чисел.
`block_diag`	Создает блочно-диагональную матрицу из предоставленных тензоров.
`broadcast_tensors`	Распространяет заданные тензоры в соответствии с семантикой распространения.
`broadcast_to`	Распространяет `input` до формы `shape`.
`broadcast_shapes`	Аналогично `broadcast_tensors()`, но для форм.
`bucketize`	Возвращает индексы ведер, к которым принадлежит каждое значение в `input`, где границы ведер задаются `boundaries`.
`cartesian_prod`	Выполняет декартово произведение заданной последовательности тензоров.
`cdist`	Вычисляет пакетное расстояние p-нормы между каждой парой двух коллекций вектор-строк.
`clone`	Возвращает копию `input`.
`combinations`	Вычислить комбинации длины $r$ заданного тензора.
`corrcoef`	Оценивает матрицу коэффициента корреляции Пирсона для переменных, заданных `input` матрицей, где строки соответствуют переменным, а столбцы — наблюдениям.
`cov`	Оценивает ковариационную матрицу для переменных, заданных `input` матрицей, где строки соответствуют переменным, а столбцы — наблюдениям.
`cross`	Возвращает векторное произведение векторов в измерении `dim` тензоров `input` и `other`.
`cummax`	Возвращает кортеж `(values, indices)`, где `values` — это кумулятивный максимум элементов `input` в измерении `dim`.
`cummin`	Возвращает кортеж `(values, indices)`, где `values` — это кумулятивный минимум элементов `input` в измерении `dim`.
`cumprod`	Возвращает кумулятивное произведение элементов `input` в измерении `dim`.
`cumsum`	Возвращает кумулятивную сумму элементов `input` в измерении `dim`.
`diag`	Если `input` — вектор (1-мерный тензор), то возвращает квадратную 2-мерную матрицу.
`diag_embed`	Создает тензор, диагонали некоторых 2D-плоскостей (указанных `dim1` и `dim2`) заполнены значением `input`.
`diagflat`	Если `input` — вектор (1-мерный тензор), то возвращает квадратную 2-мерную матрицу.
`diagonal`	Возвращает частичный вид `input` с элементами главной диагонали относительно `dim1` и `dim2`, добавленными как измерение в конце формы.
`diff`	Вычисляет n-ую разностную аппроксимацию по заданному измерению.
`einsum`	Суммирует произведение элементов входного `operands` вдоль измерений, указанных с помощью обозначений, основанных на соглашении Эйнштейна о суммировании.
`flatten`	Разворачивает `input`, переформировывая его в одномерный тензор.
`flip`	Изменяет порядок элементов n-мерного тензора вдоль заданных осей в dims.
`fliplr`	Переворачивает тензор влево/вправо, возвращая новый тензор.
`flipud`	Переворачивает тензор вверх/вниз, возвращая новый тензор.
`kron`	Вычисляет кронекеровское произведение, обозначенное как $\otimes$ , тензоров `input` и `other`.
`rot90`	Поворачивает n-мерный тензор на 90 градусов в плоскости, заданной осями dims.
`gcd`	Вычисляет поэлементный наибольший общий делитель (НОД) `input` и `other`.
`histc`	Вычисляет гистограмму тензора.
`histogram`	Вычисляет гистограмму значений в тензоре.
`histogramdd`	Вычисляет многомерную гистограмму значений в тензоре.
`meshgrid`	Создает сетки координат, заданные одномерными входами в тензорах `attr`.
`lcm`	Вычисляет поэлементное наименьшее общее кратное (НОК) `input` и `other`.
`logcumsumexp`	Возвращает логарифм кумулятивной суммы экспоненты элементов `input` в измерении `dim`.
`ravel`	Возвращает непрерывный, развёрнутый тензор.
`renorm`	Возвращает тензор, где каждый подтензор `input` вдоль измерения `dim` нормализован так, что `p`-норма подтензора меньше значения `maxnorm`.
`repeat_interleave`	Повторяет элементы тензора.
`roll`	Сдвигает тензор `input` вдоль заданных измерений.

END_OF_DOCUMENT_MARKER

`searchsorted`	Находит индексы из внутреннего измерения `sorted_sequence`, такие что, если соответствующие значения в `values` были вставлены перед индексами, при сортировке порядок соответствующего внутреннего измерения в `sorted_sequence` сохранялся бы.
`tensordot`	Возвращает результат сокращения a и b по нескольким измерениям.
`trace`	Возвращает сумму элементов диагонали входной матрицы 2x2.
`tril`	Возвращает нижнюю треугольную часть матрицы (2-мерного тензора) или набора матриц `input`, остальные элементы результирующего тензора `out` устанавливаются в 0.
`tril_indices`	Возвращает индексы нижней треугольной части матрицы `row`x`col` в тензоре 2xN, где первая строка содержит координаты строк всех индексов, а вторая строка содержит координаты столбцов.
`triu`	Возвращает верхнюю треугольную часть матрицы (2-мерного тензора) или набора матриц `input`, остальные элементы результирующего тензора `out` устанавливаются в 0.
`triu_indices`	Возвращает индексы верхней треугольной части матрицы `row`x`col` в тензоре 2xN, где первая строка содержит координаты строк всех индексов, а вторая строка содержит координаты столбцов.
`unflatten`	Расширяет измерение входного тензора на несколько измерений.
`vander`	Генерирует матрицу Вандермонда.
`view_as_real`	Возвращает представление тензора `input` как вещественного тензора.
`view_as_complex`	Возвращает представление тензора `input` как комплексного тензора.
`resolve_conj`	Возвращает новый тензор с материализованным сопряжением, если бит сопряжения `input` установлен в `True`, иначе возвращает `input`.
`resolve_neg`	Возвращает новый тензор с материализованным отрицанием, если бит отрицания `input` установлен в `True`, иначе возвращает `input`.

Операции BLAS и LAPACK

`addbmm`	Выполняет произведение матриц в наборах `batch1` и `batch2`, с шагом добавления (все умножения матриц накапливаются по первому измерению).
`addmm`	Выполняет умножение матриц `mat1` и `mat2`.
`addmv`	Выполняет произведение матрицы `mat` и вектора `vec`.
`addr`	Выполняет внешнее произведение векторов `vec1` и `vec2` и добавляет его к матрице `input`.
`baddbmm`	Выполняет произведение матриц в наборах `batch1` и `batch2`.
`bmm`	Выполняет произведение матриц в наборах `input` и `mat2`.
`chain_matmul`	Возвращает матричное произведение $N$ 2-мерных тензоров.
`cholesky`	Вычисляет разложение Холецкого для симметричной положительно-определённой матрицы $A$ или для наборов симметричных положительно-определённых матриц.
`cholesky_inverse`	Вычисляет обратную матрицу $A$ используя её фактор Холецкого $u$ : возвращает матрицу `inv`.
`cholesky_solve`	Решает систему линейных уравнений с положительно полуопределённой матрицей, которая должна быть обращена, с заданным фактором Холецкого $u$ .
`dot`	Вычисляет скалярное произведение двух одномерных тензоров.
`geqrf`	Это функция низкого уровня для прямого вызова LAPACK's geqrf.
`ger`	Псевдоним для `torch.outer()`.
`inner`	Вычисляет скалярное произведение для одномерных тензоров.
`inverse`	Псевдоним для `torch.linalg.inv()`
`det`	Псевдоним для `torch.linalg.det()`
`logdet`	Вычисляет логарифм определителя квадратной матрицы или набора квадратных матриц.
`slogdet`	Псевдоним для `torch.linalg.slogdet()`
`lu`	Вычисляет LU-разложение матрицы или набора матриц `A`.
`lu_solve`	Возвращает LU-решение системы линейных уравнений $Ax = b$ используя частично-пивотированное LU-разложение А из `lu_factor()`.
`lu_unpack`	Распаковывает LU-разложение, возвращённое `lu_factor()`, в матрицы `P, L, U`.
`matmul`	Матричное 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 произведение матрицы `input` и вектора `vec`.
`orgqr`	Псевдоним для `torch.linalg.householder_product()`.
`ormqr`	Вычисляет матричное произведение произведения матриц Хаусхолдера с общей матрицей.
`outer`	Внешнее произведение `input` и `vec2`.
`pinverse`	Псевдоним для `torch.linalg.pinv()`
`qr`	Вычисляет QR-разложение матрицы или набора матриц `input`, и возвращает именованную кортеж (Q, R) тензоров, таких что $\text{input} = Q R$ с $Q$ ортогональной матрицей или набором ортогональных матриц и $R$ верхней треугольной матрицей или набором верхних треугольных матриц.
`svd`	Вычисляет сингулярное разложение матрицы или набора матриц `input`.

END_OF_DOCUMENT_MARKER

`svd_lowrank`	Возвращает сингулярное разложение `(U, S, V)` матрицы, набора матриц или разреженной матрицы $A$ таким образом, что $A \approx U diag(S) V^T$ .
`pca_lowrank`	Выполняет линейный анализ главных компонент (PCA) для низкоранговой матрицы, набора таких матриц или разреженной матрицы.
`lobpcg`	Находит k наибольших (или наименьших) собственных значений и соответствующих собственных векторов симметричной положительно определенной обобщенной задачи на собственные значения, используя бесматрчичные методы LOBPCG.
`trapz`	Псевдоним для `torch.trapezoid()`.
`trapezoid`	Вычисляет правило трапеций вдоль `dim`.
`cumulative_trapezoid`	Накоплено вычисляет правило трапеций вдоль `dim`.
`triangular_solve`	Решает систему уравнений с квадратной верхней или нижней треугольной обратимой матрицей $A$ и множеством правых частей $b$ .
`vdot`	Вычисляет скалярное произведение двух одномерных векторов вдоль измерения.

Операции foreach

Предупреждение

Этот API находится в стадии бета-тестирования и может быть изменён в будущем. Реализация AD в прямом режиме не поддерживается.

`_foreach_abs`	Применить `torch.abs()` к каждому тензору в списке входных данных.
`_foreach_abs_`	Применить `torch.abs()` к каждому тензору в списке входных данных.
`_foreach_acos`	Применить `torch.acos()` к каждому тензору в списке входных данных.
`_foreach_acos_`	Применить `torch.acos()` к каждому тензору в списке входных данных.
`_foreach_asin`	Применить `torch.asin()` к каждому тензору в списке входных данных.
`_foreach_asin_`	Применить `torch.asin()` к каждому тензору в списке входных данных.
`_foreach_atan`	Применить `torch.atan()` к каждому тензору в списке входных данных.
`_foreach_atan_`	Применить `torch.atan()` к каждому тензору в списке входных данных.
`_foreach_ceil`	Применить `torch.ceil()` к каждому тензору в списке входных данных.
`_foreach_ceil_`	Применить `torch.ceil()` к каждому тензору в списке входных данных.
`_foreach_cos`	Применить `torch.cos()` к каждому тензору в списке входных данных.
`_foreach_cos_`	Применить `torch.cos()` к каждому тензору в списке входных данных.
`_foreach_cosh`	Применить `torch.cosh()` к каждому тензору в списке входных данных.
`_foreach_cosh_`	Применить `torch.cosh()` к каждому тензору в списке входных данных.
`_foreach_erf`	Применить `torch.erf()` к каждому тензору в списке входных данных.
`_foreach_erf_`	Применить `torch.erf()` к каждому тензору в списке входных данных.
`_foreach_erfc`	Применить `torch.erfc()` к каждому тензору в списке входных данных.
`_foreach_erfc_`	Применить `torch.erfc()` к каждому тензору в списке входных данных.
`_foreach_exp`	Применить `torch.exp()` к каждому тензору в списке входных данных.
`_foreach_exp_`	Применить `torch.exp()` к каждому тензору в списке входных данных.
`_foreach_expm1`	Применить `torch.expm1()` к каждому тензору в списке входных данных.
`_foreach_expm1_`	Применить `torch.expm1()` к каждому тензору в списке входных данных.
`_foreach_floor`	Применить `torch.floor()` к каждому тензору в списке входных данных.
`_foreach_floor_`	Применить `torch.floor()` к каждому тензору в списке входных данных.
`_foreach_log`	Применить `torch.log()` к каждому тензору в списке входных данных.
`_foreach_log_`	Применить `torch.log()` к каждому тензору в списке входных данных.
`_foreach_log10`	Применить `torch.log10()` к каждому тензору в списке входных данных.
`_foreach_log10_`	Применить `torch.log10()` к каждому тензору в списке входных данных.
`_foreach_log1p`	Применить `torch.log1p()` к каждому тензору в списке входных данных.
`_foreach_log1p_`	Применить `torch.log1p()` к каждому тензору в списке входных данных.
`_foreach_log2`	Применить `torch.log2()` к каждому тензору в списке входных данных.
`_foreach_log2_`	Применить `torch.log2()` к каждому тензору в списке входных данных.
`_foreach_neg`	Применить `torch.neg()` к каждому тензору в списке входных данных.
`_foreach_neg_`	Применить `torch.neg()` к каждому тензору в списке входных данных.
`_foreach_tan`	Применить `torch.tan()` к каждому тензору в списке входных данных.

`_foreach_tan_`	Применяет `torch.tan()` к каждому тензору в списке входных данных.
`_foreach_sin`	Применяет `torch.sin()` к каждому тензору в списке входных данных.
`_foreach_sin_`	Применяет `torch.sin()` к каждому тензору в списке входных данных.
`_foreach_sinh`	Применяет `torch.sinh()` к каждому тензору в списке входных данных.
`_foreach_sinh_`	Применяет `torch.sinh()` к каждому тензору в списке входных данных.
`_foreach_round`	Применяет `torch.round()` к каждому тензору в списке входных данных.
`_foreach_round_`	Применяет `torch.round()` к каждому тензору в списке входных данных.
`_foreach_sqrt`	Применяет `torch.sqrt()` к каждому тензору в списке входных данных.
`_foreach_sqrt_`	Применяет `torch.sqrt()` к каждому тензору в списке входных данных.
`_foreach_lgamma`	Применяет `torch.lgamma()` к каждому тензору в списке входных данных.
`_foreach_lgamma_`	Применяет `torch.lgamma()` к каждому тензору в списке входных данных.
`_foreach_frac`	Применяет `torch.frac()` к каждому тензору в списке входных данных.
`_foreach_frac_`	Применяет `torch.frac()` к каждому тензору в списке входных данных.
`_foreach_reciprocal`	Применяет `torch.reciprocal()` к каждому тензору в списке входных данных.
`_foreach_reciprocal_`	Применяет `torch.reciprocal()` к каждому тензору в списке входных данных.
`_foreach_sigmoid`	Применяет `torch.sigmoid()` к каждому тензору в списке входных данных.
`_foreach_sigmoid_`	Применяет `torch.sigmoid()` к каждому тензору в списке входных данных.
`_foreach_trunc`	Применяет `torch.trunc()` к каждому тензору в списке входных данных.
`_foreach_trunc_`	Применяет `torch.trunc()` к каждому тензору в списке входных данных.
`_foreach_zero_`	Применяет `torch.zero()` к каждому тензору в списке входных данных.

Утилиты

`compiled_with_cxx11_abi`	Возвращает значение, указывающее, был ли PyTorch скомпилирован с _GLIBCXX_USE_CXX11_ABI=1
`result_type`	Возвращает `torch.dtype`, который будет результатом арифметической операции над указанными тензорами.
`can_cast`	Определяет, разрешена ли операция преобразования типов в соответствии с правилами приведения типов PyTorch, описанными в документации.
`promote_types`	Возвращает `torch.dtype` с наименьшим размером и скалярным типом, который не меньше и не ниже, чем `type1` или `type2`.
`use_deterministic_algorithms`	Устанавливает, должны ли операции PyTorch использовать алгоритмы «детерминированные».
`are_deterministic_algorithms_enabled`	Возвращает True, если глобальный флаг детерминированных алгоритмов включён.
`is_deterministic_algorithms_warn_only_enabled`	Возвращает True, если глобальный флаг детерминированных алгоритмов установлен в режим только предупреждений.
`set_deterministic_debug_mode`	Устанавливает режим отладки для детерминированных операций.
`get_deterministic_debug_mode`	Возвращает текущее значение режима отладки для детерминированных операций.
`set_float32_matmul_precision`	Устанавливает внутреннюю точность матричных умножений с плавающей запятой float32.
`get_float32_matmul_precision`	Возвращает текущее значение точности матричного умножения с плавающей запятой float32.
`set_warn_always`	Когда этот флаг равен False (по умолчанию), некоторые предупреждения PyTorch могут появляться только один раз в процессе.
`is_warn_always_enabled`	Возвращает True, если глобальный флаг warn_always включён.
`vmap`	vmap — это векторизованная функция отображения; `vmap(func)` возвращает новую функцию, которая отображает `func` по некоторому измерению входных данных.
`_assert`	Обёртка над утверждением Python, которая является символьно прослеживаемой.

Символьные числа

class torch.SymInt(node) [source]: Как целое число (включая магические методы), но перенаправляет все операции на обернутый узел. Это используется, в частности, для символической записи операций в рабочем процессе символической формы.

class torch.SymFloat(node) [source]: Как число с плавающей точкой (включая магические методы), но перенаправляет все операции на обернутый узел. Это используется, в частности, для символической записи операций в рабочем процессе символической формы.

class torch.SymBool(node) [source]

Как логическое значение (включая магические методы), но перенаправляет все операции на обернутый узел. Это используется, в частности, для символической записи операций в рабочем процессе символической формы.

В отличие от обычных логических значений, обычные булевы операторы будут принудительно добавлять дополнительные проверки вместо символической оценки. Используйте битовые операторы вместо этого для обработки этого.

`sym_float`	Утилита, учитывающая SymInt, для преобразования в тип с плавающей точкой.
`sym_int`	Утилита, учитывающая SymInt, для преобразования в целочисленный тип.
`sym_max`	Утилита, учитывающая SymInt, для операции max().
`sym_min`	Утилита, учитывающая SymInt, для операции max().
`sym_not`	Утилита, учитывающая SymInt, для логического отрицания.

Путь экспорта

Предупреждение

Эта функция является прототипом и может иметь изменения совместимости в будущем.

export generated/exportdb/index

Оптимизации

compile

Оптимизирует заданную модель/функцию с помощью TorchDynamo и указанного бэкэнда.

Документация torch.compile

Теги операторов

class torch.Tag

Члены:

core

data_dependent_output

dynamic_output_shape

generated

inplace_view

nondeterministic_bitwise

nondeterministic_seeded

pointwise

view_copy

property name

© 2024, PyTorch Contributors
PyTorch has a BSD-style license, as found in the LICENSE file.
https://pytorch.org/docs/2.1/torch.html