Tensor¶

class paddle. Tensor [源代码] ¶

Tensor 是 Paddle 中最为基础的数据结构，有几种创建 Tensor 的不同方式：

用预先存在的 data 数据创建 1 个 Tensor，请参考 to_tensor
创建一个指定 shape 的 Tensor，请参考 ones 、 zeros、 full
创建一个与其他 Tensor 具有相同 shape 与 dtype 的 Tensor，请参考 ones_like 、 zeros_like 、 full_like

clear_grad¶

将当前 Tensor 的梯度设为 0。仅适用于具有梯度的 Tensor，通常我们将其用于参数，因为其他临时 Tensor 没有梯度。

代码示例

            import paddle
input = paddle.uniform([10, 2])
linear = paddle.nn.Linear(2, 3)
out = linear(input)
out.backward()
print("Before clear_grad, linear.weight.grad: {}".format(linear.weight.grad))
linear.weight.clear_grad()
print("After clear_grad, linear.weight.grad: {}".format(linear.weight.grad))

           

clear_gradient¶

与 clear_grad 功能相同，请参考：clear_grad

dtype¶

查看一个 Tensor 的数据类型，支持：'bool'，'float16'，'float32'，'float64'，'uint8'，'int8'，'int16'，'int32'，'int64' 类型。

代码示例

            import paddle
x = paddle.to_tensor([1.0, 2.0, 3.0])
print("tensor's type is: {}".format(x.dtype))

           

grad¶

查看一个 Tensor 的梯度，数据类型为 paddle.Tensor。

代码示例

            import paddle
x = paddle.to_tensor([1.0, 2.0, 3.0], stop_gradient=False)
y = paddle.to_tensor([4.0, 5.0, 6.0], stop_gradient=False)
z = x * y
z.backward()
print("tensor's grad is: {}".format(x.grad))

           

is_leaf¶

判断 Tensor 是否为叶子 Tensor。对于 stop_gradient 为 True 的 Tensor，它将是叶子 Tensor。对于 stop_gradient 为 False 的 Tensor，如果它是由用户创建的，它也会是叶子 Tensor。

代码示例

            import paddle

x = paddle.to_tensor(1.)
print(x.is_leaf) # True

x = paddle.to_tensor(1., stop_gradient=True)
y = x + 1
print(x.is_leaf) # True
print(y.is_leaf) # True

x = paddle.to_tensor(1., stop_gradient=False)
y = x + 1
print(x.is_leaf) # True
print(y.is_leaf) # False

           

item(*args)¶

将 Tensor 中特定位置的元素转化为 Python 标量，如果未指定位置，则该 Tensor 必须为单元素 Tensor。

代码示例

            import paddle

x = paddle.to_tensor(1)
print(x.item())             #1
print(type(x.item()))       #<class 'int'>

x = paddle.to_tensor(1.0)
print(x.item())             #1.0
print(type(x.item()))       #<class 'float'>

x = paddle.to_tensor(True)
print(x.item())             #True
print(type(x.item()))       #<class 'bool'>

x = paddle.to_tensor(1+1j)
print(x.item())             #(1+1j)
print(type(x.item()))       #<class 'complex'>

x = paddle.to_tensor([[1.1, 2.2, 3.3]])
print(x.item(2))            #3.3
print(x.item(0, 2))         #3.3

           

name¶

查看一个 Tensor 的 name，Tensor 的 name 是其唯一标识符，为 python 的字符串类型。

代码示例

            import paddle
print("Tensor name: ", paddle.to_tensor(1).name)
# Tensor name: generated_tensor_0

           

ndim¶

查看一个 Tensor 的维度，也称作 rank。

代码示例

            import paddle
print("Tensor's number of dimensition: ", paddle.to_tensor([[1, 2], [3, 4]]).ndim)
# Tensor's number of dimensition: 2

           

persistable¶

查看一个 Tensor 的 persistable 属性，该属性为 True 时表示持久性变量，持久性变量在每次迭代之后都不会删除。模型参数、学习率等 Tensor，都是持久性变量。

代码示例

            import paddle
print("Whether Tensor is persistable: ", paddle.to_tensor(1).persistable)
# Whether Tensor is persistable: false

           

place¶

查看一个 Tensor 的设备位置，Tensor 可能的设备位置有三种：CPU/GPU/固定内存，其中固定内存也称为不可分页内存或锁页内存，其与 GPU 之间具有更高的读写效率，并且支持异步传输，这对网络整体性能会有进一步提升，但其缺点是分配空间过多时可能会降低主机系统的性能，因为其减少了用于存储虚拟内存数据的可分页内存。

代码示例

            import paddle
cpu_tensor = paddle.to_tensor(1, place=paddle.CPUPlace())
print(cpu_tensor.place)

           

shape¶

查看一个 Tensor 的 shape，shape 是 Tensor 的一个重要的概念，其描述了 tensor 在每个维度上的元素数量。

代码示例

            import paddle
print("Tensor's shape: ", paddle.to_tensor([[1, 2], [3, 4]]).shape)
# Tensor's shape: [2, 2]

           

stop_gradient¶

查看一个 Tensor 是否计算并传播梯度，如果 stop_gradient 为 True，则该 Tensor 不会计算梯度，并会阻绝 Autograd 的梯度传播。反之，则会计算梯度并传播梯度。用户自行创建的的 Tensor，默认是 True，模型参数的 stop_gradient 都为 False。

代码示例

            import paddle
print("Tensor's stop_gradient: ", paddle.to_tensor([[1, 2], [3, 4]]).stop_gradient)
# Tensor's stop_gradient: True

           

abs(name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 abs

angle(name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 angle

acos(name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 acos

add(y, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 add

add_(y, name=None)¶

Inplace 版本的 add API，对输入 x 采用 Inplace 策略。

add_n(inputs, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 add_n

addmm(x, y, beta=1.0, alpha=1.0, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 addmm

all(axis=None, keepdim=False, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 all

allclose(y, rtol=1e-05, atol=1e-08, equal_nan=False, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 allclose

isclose(x, y, rtol=1e-05, atol=1e-08, equal_nan=False, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 isclose

any(axis=None, keepdim=False, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 any

argmax(axis=None, keepdim=False, dtype=int64, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 argmax

argmin(axis=None, keepdim=False, dtype=int64, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 argmin

argsort(axis=-1, descending=False, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 argsort

asin(name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 asin

astype(dtype)¶

将 Tensor 的类型转换为 dtype，并返回一个新的 Tensor。

参数：

dtype (str) - 转换后的 dtype，支持'bool'，'float16'，'float32'，'float64'，'int8'，'int16'， 'int32'，'int64'，'uint8'。

返回：类型转换后的新的 Tensor

返回类型：Tensor

代码示例

            import paddle
x = paddle.to_tensor(1.0)
print("original tensor's dtype is: {}".format(x.dtype))
print("new tensor's dtype is: {}".format(x.astype('float64').dtype))

           

atan(name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 atan

backward(grad_tensor=None, retain_graph=False)¶

从当前 Tensor 开始计算反向的神经网络，传导并计算计算图中 Tensor 的梯度。

参数：

grad_tensor (Tensor, optional) - 当前 Tensor 的初始梯度值。如果 grad_tensor 是 None，当前 Tensor 的初始梯度值将会是值全为 1.0 的 Tensor；如果 grad_tensor 不是 None，必须和当前 Tensor 有相同的长度。默认值：None。
retain_graph (bool, optional) - 如果为 False，反向计算图将被释放。如果在 backward()之后继续添加 OP，需要设置为 True，此时之前的反向计算图会保留。将其设置为 False 会更加节省内存。默认值：False。

返回：无

代码示例

            import paddle
x = paddle.to_tensor(5., stop_gradient=False)
for i in range(5):
    y = paddle.pow(x, 4.0)
    y.backward()
    print("{}: {}".format(i, x.grad))
# 0: [500.]
# 1: [1000.]
# 2: [1500.]
# 3: [2000.]
# 4: [2500.]
x.clear_grad()
print("{}".format(x.grad))
# 0.
grad_tensor=paddle.to_tensor(2.)
for i in range(5):
    y = paddle.pow(x, 4.0)
    y.backward(grad_tensor)
    print("{}: {}".format(i, x.grad))
# 0: [1000.]
# 1: [2000.]
# 2: [3000.]
# 3: [4000.]
# 4: [5000.]

           

bincount(weights=None, minlength=0)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 bincount

bitwise_and(y, out=None, name=None)¶

返回：按位与运算后的结果

返回类型：Tensor

请参考 bitwise_and

bitwise_not(out=None, name=None)¶

返回：按位取反运算后的结果

返回类型：Tensor

请参考 bitwise_not

bitwise_or(y, out=None, name=None)¶

返回：按位或运算后的结果

返回类型：Tensor

请参考 bitwise_or

bitwise_xor(y, out=None, name=None)¶

返回：按位异或运算后的结果

返回类型：Tensor

请参考 bitwise_xor

bmm(y, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 bmm

broadcast_to(shape, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 expand ，API 功能相同。

bucketize(sorted_sequence, out_int32=False, right=False, name=None)¶

返回: 根据给定的一维 Tensor sorted_sequence ，输入 x 对应的桶索引。

返回类型：Tensor。

请参考 paddle.bucketize

cast(dtype)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 cast

ceil(name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 ceil

ceil_(name=None)¶

Inplace 版本的 ceil API，对输入 x 采用 Inplace 策略。

cholesky(upper=False, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 cholesky

chunk(chunks, axis=0, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 chunk

clear_gradient()¶

清除当前 Tensor 的梯度。

返回：无

代码示例

            import paddle
import numpy as np

x = np.ones([2, 2], np.float32)
inputs2 = []
for _ in range(10):
    tmp = paddle.to_tensor(x)
    tmp.stop_gradient=False
    inputs2.append(tmp)
ret2 = paddle.add_n(inputs2)
loss2 = paddle.sum(ret2)
loss2.backward()
print(loss2.gradient())
loss2.clear_gradient()
print("After clear {}".format(loss2.gradient()))

           

clip(min=None, max=None, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 clip

clip_(min=None, max=None, name=None)¶

Inplace 版本的 clip API，对输入 x 采用 Inplace 策略。

clone()¶

复制当前 Tensor，并且保留在原计算图中进行梯度传导。

返回：clone 后的 Tensor

代码示例

            import paddle

x = paddle.to_tensor(1.0, stop_gradient=False)
clone_x = x.clone()
y = clone_x**2
y.backward()
print(clone_x.stop_gradient) # False
print(clone_x.grad)          # [2.0], support gradient propagation
print(x.stop_gradient)       # False
print(x.grad)                # [2.0], clone_x support gradient propagation for x

x = paddle.to_tensor(1.0)
clone_x = x.clone()
clone_x.stop_gradient = False
z = clone_x**3
z.backward()
print(clone_x.stop_gradient) # False
print(clone_x.grad)          # [3.0], support gradient propagation
print(x.stop_gradient)       # True
print(x.grad)                # None

           

concat(axis=0, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 concat

conj(name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 conj

cos(name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 cos

cosh(name=None)¶

对该 Tensor 中的每个元素求双曲余弦。

返回类型：Tensor

请参考 cosh

代码示例

            import paddle

x = paddle.to_tensor([-0.4, -0.2, 0.1, 0.3])
out = paddle.cosh(x)
print(out)
# [1.08107237 1.02006674 1.00500417 1.04533851]

           

count_nonzero(axis=None, keepdim=False, name=None)¶

返回：沿给定的轴 axis 统计输入 Tensor x 中非零元素的个数。

返回类型：Tensor

请参考 count_nonzero

cpu()¶

将当前 Tensor 的拷贝到 CPU 上，且返回的 Tensor 不保留在原计算图中。

如果当前 Tensor 已经在 CPU 上，则不会发生任何拷贝。

返回：拷贝到 CPU 上的 Tensor

代码示例

            import paddle

if paddle.device.cuda.device_count() > 0:
    x = paddle.to_tensor(1.0, place=paddle.CUDAPlace(0))
    print(x.place)    # CUDAPlace(0)

x = paddle.to_tensor(1.0)
y = x.cpu()
print(y.place)    # CPUPlace

           

cross(y, axis=None, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 cross

cuda(device_id=None, blocking=False)¶

将当前 Tensor 的拷贝到 GPU 上，且返回的 Tensor 不保留在原计算图中。

如果当前 Tensor 已经在 GPU 上，且 device_id 为 None，则不会发生任何拷贝。

参数：

device_id (int, optional) - 目标 GPU 的设备 Id，默认为 None，此时为当前 Tensor 的设备 Id，如果当前 Tensor 不在 GPU 上，则为 0。
blocking (bool, optional) - 如果为 False 并且当前 Tensor 处于固定内存上，将会发生主机到设备端的异步拷贝。否则，会发生同步拷贝。默认为 False。

返回：拷贝到 GPU 上的 Tensor

代码示例

            import paddle
x = paddle.to_tensor(1.0, place=paddle.CPUPlace())
print(x.place)        # CPUPlace

if paddle.device.cuda.device_count() > 0:
    y = x.cuda()
    print(y.place)        # CUDAPlace(0)

    y = x.cuda(1)
    print(y.place)        # CUDAPlace(1)

           

cumsum(axis=None, dtype=None, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 cumsum

deg2rad(x, name=None)¶

将元素从度的角度转换为弧度

返回：计算后的 Tensor

返回类型：Tensor

请参考 deg2rad

detach()¶

返回一个新的 Tensor，从当前计算图分离。

返回：与当前计算图分离的 Tensor。

代码示例

            import paddle
import numpy as np

data = np.random.uniform(-1, 1, [30, 10, 32]).astype('float32')
linear = paddle.nn.Linear(32, 64)
data = paddle.to_tensor(data)
x = linear(data)
y = x.detach()

           

diagonal(offset=0, axis1=0, axis2=1, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 diagonal

digamma(name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 digamma

dim()¶

查看一个 Tensor 的维度，也称作 rank。

代码示例

            import paddle
print("Tensor's number of dimensition: ", paddle.to_tensor([[1, 2], [3, 4]]).dim())
# Tensor's number of dimensition: 2

           

dist(y, p=2)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 dist

divide(y, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 divide

dot(y, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 dot

diff(x, n=1, axis=-1, prepend=None, append=None, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 diff

element_size()¶

返回 Tensor 单个元素在计算机中所分配的 bytes 数量。

返回：整数 int

代码示例

            import paddle

x = paddle.to_tensor(1, dtype='bool')
x.element_size() # 1

x = paddle.to_tensor(1, dtype='float16')
x.element_size() # 2

x = paddle.to_tensor(1, dtype='float32')
x.element_size() # 4

x = paddle.to_tensor(1, dtype='float64')
x.element_size() # 8

x = paddle.to_tensor(1, dtype='complex128')
x.element_size() # 16

           

equal(y, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 equal

equal_all(y, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 equal_all

erf(name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 erf

exp(name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 exp

exp_(name=None)¶

Inplace 版本的 exp API，对输入 x 采用 Inplace 策略。

expand(shape, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 expand

expand_as(y, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 expand_as

exponential_(lam=1.0, name=None)¶

该 OP 为 inplace 形式，通过 指数分布 随机数来填充该 Tensor。

lam 是 指数分布 的 \(\lambda\) 参数。随机数符合以下概率密度函数：

\[f(x) = \lambda e^{-\lambda x}\]

参数：

x (Tensor) - 输入 Tensor，数据类型为 float32/float64。
lam (float) - 指数分布的 \(\lambda\) 参数。
name (str，可选) - 具体用法请参见 Name，一般无需设置，默认值为 None。

返回：原 Tensor

代码示例

            import paddle
paddle.set_device('cpu')
paddle.seed(100)

x = paddle.empty([2,3])
x.exponential_()
# [[0.80643415, 0.23211166, 0.01169797],
#  [0.72520673, 0.45208144, 0.30234432]]

           

eigvals(y, name=None)¶

返回：输入矩阵的特征值

返回类型：Tensor

请参考 eigvals

fill_(x, value, name=None)¶

以 value 值填充 Tensor x 中所有数据。对 x 的原地 Inplace 修改。

参数：

x (Tensor) - 需要修改的原始 Tensor。
value (float) - 以输入 value 值修改原始 Tensor 元素。
name (str，可选) - 具体用法请参见 Name，一般无需设置，默认值为 None。

返回：修改原始 Tensor x 的所有元素为 value 以后的新的 Tensor。

代码示例

            import paddle
tensor = paddle.to_tensor([0,1,2,3,4])
tensor.fill_(0)
print(tensor.tolist())   #[0, 0, 0, 0, 0]

           

zero_(x, name=None)¶

以 0 值填充 Tensor x 中所有数据。对 x 的原地 Inplace 修改。

参数：

x (Tensor) - 需要修改的原始 Tensor。
name (str，可选) - 具体用法请参见 Name，一般无需设置，默认值为 None。

返回：修改原始 Tensor x 的所有元素为 0 以后的新的 Tensor。

代码示例

            import paddle
tensor = paddle.to_tensor([0,1,2,3,4])
tensor.zero_()
print(tensor.tolist())   #[0, 0, 0, 0, 0]

           

fill_diagonal_(x, value, offset=0, wrap=False, name=None)¶

以 value 值填充输入 Tensor x 的对角线元素值。对 x 的原地 Inplace 修改。输入 Tensor x 维度至少是 2 维，当维度大于 2 维时要求所有维度值相等。当维度等于 2 维时，两个维度可以不等，且此时 wrap 选项生效，详见 wrap 参数说明。

参数：

x (Tensor) - 需要修改对角线元素值的原始 Tensor。
value (float) - 以输入 value 值修改原始 Tensor 对角线元素。
offset (int, optional) - 所选取对角线相对原始主对角线位置的偏移量，正向右上方偏移，负向左下方偏移，默认为 0。
wrap (bool, optional) - 对于 2 维 Tensor，height>width 时是否循环填充，默认为 False。
name (str，可选) - 具体用法请参见 Name，一般无需设置，默认值为 None。

返回：修改原始 Tensor x 的对角线元素为 value 以后的新的 Tensor。

代码示例

            import paddle
x = paddle.ones((4, 3))
x.fill_diagonal_(2)
print(x.tolist())   #[[2.0, 1.0, 1.0], [1.0, 2.0, 1.0], [1.0, 1.0, 2.0], [1.0, 1.0, 1.0]]

x = paddle.ones((7, 3))
x.fill_diagonal_(2, wrap=True)
print(x)    #[[2.0, 1.0, 1.0], [1.0, 2.0, 1.0], [1.0, 1.0, 2.0], [1.0, 1.0, 1.0], [2.0, 1.0, 1.0], [1.0, 2.0, 1.0], [1.0, 1.0, 2.0]]

           

fill_diagonal_tensor(x, y, offset=0, dim1=0, dim2=1, name=None)¶

将输入 Tensor y 填充到 Tensor x 的以 dim1、dim2 所指定对角线维度作为最后一个维度的局部子 Tensor 中，输入 Tensor x 其余维度作为该局部子 Tensor 的 shape 中的前几个维度。其中输入 Tensor y 的维度要求是：最后一个维度与 dim1、dim2 指定的对角线维度相同，其余维度与输入 Tensor x 其余维度相同，且先后顺序一致。例如，有输入 Tensor x，x.shape = (2,3,4,5)时，若 dim1=2，dim2=3，则 y.shape=(2,3,4)；若 dim1=1，dim2=2，则 y.shape=(2,5,3)；

参数：

x (Tensor) - 需要填充局部对角线区域的原始 Tensor。
y (Tensor) - 需要被填充到原始 Tensor x 对角线区域的输入 Tensor。
offset (int, optional) - 选取局部区域对角线位置相对原始主对角线位置的偏移量，正向右上方偏移，负向左下方偏移，默认为 0。
dim1 (int, optional) - 指定对角线所参考第一个维度，默认为 0。
dim2 (int, optional) - 指定对角线所参考第二个维度，默认为 1。
name (str，可选) - 具体用法请参见 Name，一般无需设置，默认值为 None。

返回：将 y 的值填充到输入 Tensor x 对角线区域以后所组合成的新 Tensor。

代码示例

            import paddle
x = paddle.ones((4, 3)) * 2
y = paddle.ones((3,))
nx = x.fill_diagonal_tensor(y)
print(nx.tolist())   #[[1.0, 2.0, 2.0], [2.0, 1.0, 2.0], [2.0, 2.0, 1.0], [2.0, 2.0, 2.0]]

           

fill_diagonal_tensor_(x, y, offset=0, dim1=0, dim2=1, name=None)¶

Inplace 版本的 cn_api_fill_diagonal_tensor API，对输入 x 采用 Inplace 策略。

代码示例

            import paddle
x = paddle.ones((4, 3)) * 2
y = paddle.ones((3,))
x.fill_diagonal_tensor_(y)
print(x.tolist())   #[[1.0, 2.0, 2.0], [2.0, 1.0, 2.0], [2.0, 2.0, 1.0], [2.0, 2.0, 2.0]]

           

flatten(start_axis=0, stop_axis=-1, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 flatten

flatten_(start_axis=0, stop_axis=-1, name=None)¶

Inplace 版本的 flatten API，对输入 x 采用 Inplace 策略。

flip(axis, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 flip

rot90(k=1, axis=[0, 1], name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 rot90

floor(name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 floor

floor_(name=None)¶

Inplace 版本的 floor API，对输入 x 采用 Inplace 策略。

floor_divide(y, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 floor_divide

floor_mod(y, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

mod 函数的别名，请参考 mod

gather(index, axis=None, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 gather

gather_nd(index, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 gather_nd

gcd(x, y, name=None)¶

计算两个输入的按元素绝对值的最大公约数

返回：计算后的 Tensor

请参考 gcd

gradient()¶

与 Tensor.grad 相同，查看一个 Tensor 的梯度，数据类型为 numpy.ndarray。

返回：该 Tensor 的梯度返回类型：numpy.ndarray

代码示例

            import paddle
x = paddle.to_tensor([1.0, 2.0, 3.0], stop_gradient=False)
y = paddle.to_tensor([4.0, 5.0, 6.0], stop_gradient=False)
z = x * y
z.backward()
print("tensor's grad is: {}".format(x.grad))

           

greater_equal(y, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 greater_equal

greater_than(y, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 greater_than

heaviside(y, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 heaviside

histogram(bins=100, min=0, max=0)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 histogram

imag(name=None)¶

返回：包含原复数 Tensor 的虚部数值

返回类型：Tensor

请参考 imag

is_floating_point(x)¶

返回：判断输入 Tensor 的数据类型是否为浮点类型

返回类型：bool

请参考 is_floating_point

increment(value=1.0, in_place=True)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 increment

index_sample(index)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 index_sample

index_select(index, axis=0, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 index_select

index_add(index, axis, value, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 index_add

index_put(indices, value, accumulate=False, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 index_put

repeat_interleave(repeats, axis=None, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 repeat_interleave

inv(name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 inv

is_empty(cond=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 is_empty

isfinite(name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 isfinite

isinf(name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 isinf

isnan(name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 isnan

kthvalue(k, axis=None, keepdim=False, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 cn_api_tensor_kthvalue

kron(y, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 kron

lcm(x, y, name=None)¶

计算两个输入的按元素绝对值的最小公倍数

返回：计算后的 Tensor

请参考 lcm

less_equal(y, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 less_equal

less_than(y, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 less_than

lgamma(name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 lgamma

log(name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 log

log10(name=None)¶

返回：以 10 为底数，对当前 Tensor 逐元素计算对数。

返回类型：Tensor

请参考 log10

log2(name=None)¶

返回：以 2 为底数，对当前 Tensor 逐元素计算对数。

返回类型：Tensor

请参考 log2

log1p(name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 log1p

logcumsumexp(x, axis=None, dtype=None, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 cn_api_paddle_tensor_logcumsumexp

logical_and(y, out=None, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 logical_and

logical_not(out=None, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 logical_not

logical_or(y, out=None, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 logical_or

logical_xor(y, out=None, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 logical_xor

logsumexp(axis=None, keepdim=False, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 logsumexp

masked_select(mask, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 masked_select

matmul(y, transpose_x=False, transpose_y=False, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 matmul

matrix_power(x, n, name=None)¶

返回：经过矩阵幂运算后的 Tensor

返回类型：Tensor

请参考 matrix_power

max(axis=None, keepdim=False, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 max

amax(axis=None, keepdim=False, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 amax

maximum(y, axis=-1, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 maximum

mean(axis=None, keepdim=False, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 mean

median(axis=None, keepdim=False, name=None)¶

返回：沿着 axis 进行中位数计算的结果

返回类型：Tensor

请参考 median

nanmedian(axis=None, keepdim=True, name=None)¶

返回：沿着 axis 忽略 NAN 元素进行中位数计算的结果

返回类型：Tensor

请参考 nanmedian

min(axis=None, keepdim=False, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 min

amin(axis=None, keepdim=False, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 amin

minimum(y, axis=-1, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 minimum

mm(mat2, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 mm

mod(y, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 mod

mode(axis=-1, keepdim=False, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 cn_api_tensor_mode

multiplex(index)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 multiplex

multiply(y, axis=-1, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 multiply

mv(vec, name=None)¶

返回：当前 Tensor 向量 vec 的乘积

返回类型：Tensor

请参考 mv

nan_to_num()¶

替换 x 中的 NaN、+inf、-inf 为指定值

返回：计算后的 Tensor

返回类型：Tensor

请参考 cn_api_paddle_nan_to_num

ndimension()¶

查看一个 Tensor 的维度，也称作 rank。

代码示例

            import paddle
print("Tensor's number of dimensition: ", paddle.to_tensor([[1, 2], [3, 4]]).ndimension())
# Tensor's number of dimensition: 2

           

neg(name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 neg

nonzero(as_tuple=False)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 nonzero

norm(p=fro, axis=None, keepdim=False, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 norm

not_equal(y, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 not_equal

numel(name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 numel

numpy()¶

将当前 Tensor 转化为 numpy.ndarray。

返回：Tensor 转化成的 numpy.ndarray。返回类型：numpy.ndarray

代码示例

            import paddle
import numpy as np

data = np.random.uniform(-1, 1, [30, 10, 32]).astype('float32')
linear = paddle.nn.Linear(32, 64)
data = paddle.to_tensor(data)
x = linear(data)
print(x.numpy())

           

pin_memory(y, name=None)¶

将当前 Tensor 的拷贝到固定内存上，且返回的 Tensor 不保留在原计算图中。

如果当前 Tensor 已经在固定内存上，则不会发生任何拷贝。

返回：拷贝到固定内存上的 Tensor

代码示例

            import paddle

if paddle.device.cuda.device_count() > 0:
    x = paddle.to_tensor(1.0, place=paddle.CUDAPlace(0))
    print(x.place)      # CUDAPlace(0)

    y = x.pin_memory()
    print(y.place)      # CUDAPinnedPlace

           

pow(y, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 pow

prod(axis=None, keepdim=False, dtype=None, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 prod

quantile(q, axis=None, keepdim=False, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 quantile

rad2deg(x, name=None)¶

将元素从弧度的角度转换为度

返回：计算后的 Tensor

返回类型：Tensor

请参考 rad2deg

rank()¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 rank

real(name=None)¶

返回：Tensor，包含原复数 Tensor 的实部数值

返回类型：Tensor

请参考 real

reciprocal(name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 reciprocal

reciprocal_(name=None)¶

Inplace 版本的 reciprocal API，对输入 x 采用 Inplace 策略。

register_hook(hook)¶

为当前 Tensor 注册一个反向的 hook 函数。

该被注册的 hook 函数将会在每次当前 Tensor 的梯度 Tensor 计算完成时被调用。

被注册的 hook 函数不会修改输入的梯度 Tensor，但是 hook 可以返回一个新的临时梯度 Tensor 代替当前 Tensor 的梯度继续进行反向传播。

输入的 hook 函数写法如下：

hook(grad) -> Tensor or None

参数：

hook (function) - 一个需要注册到 Tensor.grad 上的 hook 函数

返回：一个能够通过调用其 remove() 方法移除所注册 hook 的对象

返回类型：TensorHookRemoveHelper

代码示例

            import paddle

# hook function return None
def print_hook_fn(grad):
    print(grad)

# hook function return Tensor
def double_hook_fn(grad):
    grad = grad * 2
    return grad

x = paddle.to_tensor([0., 1., 2., 3.], stop_gradient=False)
y = paddle.to_tensor([4., 5., 6., 7.], stop_gradient=False)
z = paddle.to_tensor([1., 2., 3., 4.])

# one Tensor can register multiple hooks
h = x.register_hook(print_hook_fn)
x.register_hook(double_hook_fn)

w = x + y
# register hook by lambda function
w.register_hook(lambda grad: grad * 2)

o = z.matmul(w)
o.backward()
# print_hook_fn print content in backward
# Tensor(shape=[4], dtype=float32, place=CUDAPlace(0), stop_gradient=False,
#        [2., 4., 6., 8.])

print("w.grad:", w.grad) # w.grad: [1. 2. 3. 4.]
print("x.grad:", x.grad) # x.grad: [ 4.  8. 12. 16.]
print("y.grad:", y.grad) # y.grad: [2. 4. 6. 8.]

# remove hook
h.remove()

           

remainder(y, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

mod 函数的别名，请参考 remainder

remainder_(y, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

Inplace 版本的 remainder API，对输入 x 采用 Inplace 策略。

reshape(shape, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 reshape

reshape_(shape, name=None)¶

Inplace 版本的 reshape API，对输入 x 采用 Inplace 策略

reverse(axis, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 reverse

roll(shifts, axis=None, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 roll

round(name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 round

round_(name=None)¶

Inplace 版本的 round API，对输入 x 采用 Inplace 策略。

rsqrt(name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 rsqrt

rsqrt_(name=None)¶

Inplace 版本的 rsqrt API，对输入 x 采用 Inplace 策略。

scale(scale=1.0, bias=0.0, bias_after_scale=True, act=None, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 scale

scale_(scale=1.0, bias=0.0, bias_after_scale=True, act=None, name=None)¶

Inplace 版本的 scale API，对输入 x 采用 Inplace 策略。

scatter(index, updates, overwrite=True, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 scatter

scatter_(index, updates, overwrite=True, name=None)¶

Inplace 版本的 scatter API，对输入 x 采用 Inplace 策略。

scatter_nd(updates, shape, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 scatter_nd

scatter_nd_add(index, updates, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 scatter_nd_add

set_value(value)¶

设置当前 Tensor 的值。

参数：

value (Tensor|np.ndarray) - 需要被设置的值，类型为 Tensor 或者 numpy.array。

代码示例

            import paddle
import numpy as np

data = np.ones([3, 1024], dtype='float32')
linear = paddle.nn.Linear(1024, 4)
input = paddle.to_tensor(data)
linear(input)  # call with default weight
custom_weight = np.random.randn(1024, 4).astype("float32")
linear.weight.set_value(custom_weight)  # change existing weight
out = linear(input)  # call with different weight

           

返回：计算后的 Tensor

shard_index(index_num, nshards, shard_id, ignore_value=-1)¶

返回类型：Tensor

请参考 shard_index

sign(name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 sign

sgn(name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 sgn

sin(name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 sin

sinh(name=None)¶

对该 Tensor 中逐个元素求双曲正弦。

代码示例

            import paddle

x = paddle.to_tensor([-0.4, -0.2, 0.1, 0.3])
out = x.sinh()
print(out)
# [-0.41075233 -0.201336    0.10016675  0.30452029]

           

size()¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 size

slice(axes, starts, ends)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 slice

sort(axis=-1, descending=False, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 sort

split(num_or_sections, axis=0, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 split

vsplit(num_or_sections, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 vsplit

sqrt(name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 sqrt

sqrt_(name=None)¶

Inplace 版本的 sqrt API，对输入 x 采用 Inplace 策略。

square(name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 square

squeeze(axis=None, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 squeeze

squeeze_(axis=None, name=None)¶

Inplace 版本的 squeeze API，对输入 x 采用 Inplace 策略。

stack(axis=0, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 stack

stanh(scale_a=0.67, scale_b=1.7159, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 stanh

std(axis=None, unbiased=True, keepdim=False, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 std

strided_slice(axes, starts, ends, strides)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 strided_slice

subtract(y, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 subtract

subtract_(y, name=None)¶

Inplace 版本的 subtract API，对输入 x 采用 Inplace 策略。

sum(axis=None, dtype=None, keepdim=False, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 sum

t(name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 t

tanh(name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 tan

tanh_(name=None)¶

Inplace 版本的 tan API，对输入 x 采用 Inplace 策略。

tile(repeat_times, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 tile

tolist()¶

返回：Tensor 对应结构的 list

返回类型：python list

请参考 tolist

topk(k, axis=None, largest=True, sorted=True, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 topk

trace(offset=0, axis1=0, axis2=1, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 trace

transpose(perm, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 transpose

triangular_solve(b, upper=True, transpose=False, unitriangular=False, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 triangular_solve

trunc(name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 trunc

frac(name=None)¶

返回：计算后的 tensor

返回类型：Tensor

请参考 frac

tensordot(y, axes=2, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 tensordot

unbind(axis=0)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 unbind

uniform_(min=-1.0, max=1.0, seed=0, name=None)¶

Inplace 版本的 uniform，返回一个从均匀分布采样的随机数填充的 Tensor。输出 Tensor 将被置于输入 x 的位置。

参数：

x (Tensor) - 待被随机数填充的输入 Tensor。
min (float|int, optional) - 生成随机数的下界，min 包含在该范围内。默认为-1.0。
max (float|int, optional) - 生成随机数的上界，max 不包含在该范围内。默认为 1.0。
seed (int, optional) - 用于生成随机数的随机种子。如果 seed 为 0，将使用全局默认生成器的种子（可通过 paddle.seed 设置）。

注意如果 seed 不为 0，该操作每次将生成同一个随机值。默认为 0。
name (str，可选) - 具体用法请参见 Name，一般无需设置，默认值为 None。

返回：由服从范围在[min, max)的均匀分布的随机数所填充的输入 Tensor x。

返回类型：Tensor

代码示例

            import paddle
x = paddle.ones(shape=[3, 4])
x.uniform_()
print(x)
# result is random
# Tensor(shape=[3, 4], dtype=float32, place=CUDAPlace(0), stop_gradient=True,
#     [[ 0.97134161, -0.36784279, -0.13951409, -0.48410338],
#      [-0.15477282,  0.96190143, -0.05395842, -0.62789059],
#      [-0.90525085,  0.63603556,  0.06997657, -0.16352385]])

           

unique(return_index=False, return_inverse=False, return_counts=False, axis=None, dtype=int64, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 unique

unsqueeze(axis, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 unsqueeze

unsqueeze_(axis, name=None)¶

Inplace 版本的 unsqueeze API，对输入 x 采用 Inplace 策略。

unstack(axis=0, num=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 unstack

var(axis=None, unbiased=True, keepdim=False, name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 var

where(x, y, name=None)¶

调用该 where 方法的 Tensor 作为 condition 来选择 x 或 y 中的对应元素组成新的 Tensor 并返回。

返回：计算后的 Tensor

返回类型：Tensor

注解

只有 bool 类型的 Tensor 才能调用该方法。

示例：(x>0).where(x, y)，其中 x， y 都是数值 Tensor。

请参考 where

multi_dot(x, name=None)¶

返回：多个矩阵相乘后的 Tensor

返回类型：Tensor

请参考 multi_dot

solve(x, y name=None)¶

返回：计算后的 Tensor

返回类型：Tensor

请参考 solve

logit(eps=None, name=None)¶

返回：计算 logit 后的 Tensor

返回类型：Tensor

请参考 logit

lerp(x, y, weight, name=None)¶

基于给定的 weight 计算 x 与 y 的线性插值

返回：计算后的 Tensor

返回类型：Tensor

请参考 lerp

lerp_(y, weight, name=None)¶

Inplace 版本的 lerp API，对输入 x 采用 Inplace 策略。

is_complex()¶

返回：判断输入 tensor 的数据类型是否为复数类型

返回类型：bool

请参考 is_complex

is_integer()¶

返回：判断输入 tensor 的数据类型是否为整数类型

返回类型：bool

请参考 is_integer

take_along_axis(arr, index, axis)¶

基于输入索引矩阵，沿着指定 axis 从 arr 矩阵里选取 1d 切片。索引矩阵必须和 arr 矩阵有相同的维度，需要能够 broadcast 与 arr 矩阵对齐。

返回：计算后的 Tensor

返回类型：Tensor

请参考 take_along_axis

put_along_axis(arr, index, value, axis, reduce="assign")¶

基于输入 index 矩阵，将输入 value 沿着指定 axis 放置入 arr 矩阵。索引矩阵和 value 必须和 arr 矩阵有相同的维度，需要能够 broadcast 与 arr 矩阵对齐。

返回：计算后的 Tensor

返回类型：Tensor

请参考 put_along_axis

erfinv(x, name=None)¶

对输入 x 进行逆误差函数计算

请参考 erfinv

take(index, mode='raise', name=None)¶

返回：一个新的 Tensor，其中包含给定索引处的输入元素。结果与 index 的形状相同

返回类型：Tensor

请参考 cn_api_tensor_take

frexp(x)¶

用于把一个浮点数分解为尾数和指数的函数返回：一个尾数 Tensor 和一个指数 Tensor

返回类型：Tensor, Tensor

请参考 frexp

data_ptr()¶

仅用于动态图 Tensor。返回 Tensor 的数据的存储地址。比如，如果 Tensor 是 CPU 的，则返回内存地址，如果 Tensor 是 GPU 的，则返回显存地址。返回：Tensor 的数据的存储地址

返回类型：int

trapezoid(y, x=None, dx=None, axis=-1, name=None)¶

在指定维度上对输入实现 trapezoid rule 算法。使用求和函数 sum。

返回：计算后的 Tensor

返回类型：Tensor

请参考 trapezoid

cumulative_trapezoid(y, x=None, dx=None, axis=-1, name=None)¶

在指定维度上对输入实现 trapezoid rule 算法。使用求和函数 cumsum。

返回：计算后的 Tensor

返回类型：Tensor

请参考 cumulative_trapezoid

polar(abs, angle)¶

用于将输入的模和相位角计算得到复平面上的坐标返回：一个复数 Tensor

返回类型：Tensor

请参考 polar

vander(x, n=None, increasing=False, name=None)¶

生成范德蒙德矩阵, 默认生成维度为 (x.shape[0],x.shape[0]) 且降序的范德蒙德矩阵。其中输入 x 必须为 1-D Tensor。输入 n 为矩阵的列数。输入 increasing 决定了矩阵的升降序，默认为降序。

返回：返回一个根据 n 和 increasing 创建的范德蒙德矩阵。

返回类型：Tensor

请参考 vander

unflatten(axis, shape, name=None)¶

将输入 Tensor 沿指定轴 axis 上的维度展成 shape 形状。

返回：沿指定轴将维度展开的后的 Tensor。

返回类型：Tensor

请参考 unflatten

i0(x, name=None)¶

用于将输入的 Tensor 计算第一类零阶修正贝塞尔函数。

返回：一个第一类零阶修正贝塞尔函数上的 Tensor。

返回类型：Tensor

请参考 i0

i0e(x, name=None)¶

用于将输入的 Tensor 计算第一类指数缩放的零阶修正贝塞尔函数。

返回：一个第一类指数缩放的零阶修正贝塞尔函数上的 Tensor。

返回类型：Tensor

请参考 i0e

i1(x, name=None)¶

用于将输入的 Tensor 计算第一类一阶修正贝塞尔函数。

返回：返回第一类一阶修正贝塞尔函数对应输出 Tensor。

返回类型：Tensor

请参考 i1

i1e(x, name=None)¶

用于将输入的 Tensor 计算第一类指数缩放的一阶修正贝塞尔函数。

返回：返回第一类指数缩放的一阶修正贝塞尔函数对应输出 Tensor。

返回类型：Tensor

请参考 i1e

polygamma¶

用于计算输入的 Tensor 的多伽马函数。

返回：返回多伽马函数对应输出 tensor

返回类型：tensor

请参考 polygamma

pca_lowrank(x, q=None, center=True, niter=2, name=None)¶

计算在低秩矩阵，批次的矩阵，或稀疏矩阵上的线性主成分分析(PCA)。

返回：对输入矩阵的主成分分析结果。

返回类型：tuple，包含结果（U，S，V）。

请参考 pca_lowrank

cummax(x, axis=None, dtype='int64', name=None)¶

沿给定 axis 计算 Tensor x 的累计最大值。

返回：计算后的 Tensor 和对应索引 Indices。

返回类型：Tensor，包含计算结果和索引。

请参考 cummax

cummin(x, axis=None, dtype='int64', name=None)¶

沿给定 axis 计算 Tensor x 的累计最小值。

返回：计算后的 Tensor 和对应索引 Indices。

返回类型：Tensor，包含计算结果和索引。

请参考 cummin

使用本API的教程文档¶

Limitations