Pytorch torch_python的torch主要是干嘛的-CSDN博客

PyTorch的torch模块是其核心组件，提供多维张量操作与GPU加速支持，具体功能如下：

1、核心功能架构

张量运算基础‌
- 提供torch.Tensor数据结构，支持标量（0维）、向量（1维）、矩阵（2维）及高维数组操作。
- 支持自动微分（Autograd）与动态计算图，适用于灵活构建复杂模型。
‌GPU加速支持‌
- 通过torch.cuda子模块实现NVIDIA GPU计算，需CUDA≥12.8及兼容驱动（如Blackwell架构需R570+）。
- 张量可通过.to('cuda')迁移至GPU运算。

2、关键子模块

‌子模块‌	‌功能说明‌
`torch.nn`	神经网络层（如卷积、池化）、损失函数及模型容器类
`torch.optim`	优化算法（SGD、Adam等）实现，用于参数更新
`torch.utils.data`	数据加载工具（`Dataset`、`DataLoader`），支持批量处理与多线程加载
`torch.autograd`	自动求导引擎，动态追踪张量操作以计算梯度

3 PyTorch torch API 手册

类别	API	描述
Tensors	`is_tensor(obj)`	检查 `obj` 是否为 PyTorch 张量。
	`is_storage(obj)`	检查 `obj` 是否为 PyTorch 存储对象。
	`is_complex(input)`	检查 `input` 数据类型是否为复数数据类型。
	`is_conj(input)`	检查 `input` 是否为共轭张量。
	`is_floating_point(input)`	检查 `input` 数据类型是否为浮点数据类型。
	`is_nonzero(input)`	检查 `input` 是否为非零单一元素张量。
	`set_default_dtype(d)`	设置默认浮点数据类型为 `d`。
	`get_default_dtype()`	获取当前默认浮点 `torch.dtype`。
	`set_default_device(device)`	设置默认 `torch.Tensor` 分配的设备为 `device`。
	`get_default_device()`	获取默认 `torch.Tensor` 分配的设备。
	`numel(input)`	返回 `input` 张量中的元素总数。
Creation Ops	`tensor(data)`	通过复制 `data` 构造无自动梯度历史的张量。
	`sparse_coo_tensor(indices, values)`	在指定的 `indices` 处构造稀疏张量，具有指定的值。
	`as_tensor(data)`	将 `data` 转换为张量，共享数据并尽可能保留自动梯度历史。
	`zeros(size)`	返回一个用标量值 0 填充的张量，形状由 `size` 定义。
	`ones(size)`	返回一个用标量值 1 填充的张量，形状由 `size` 定义。
	`arange(start, end, step)`	返回一个 1-D 张量，包含从 `start` 到 `end` 的值，步长为 `step`。
	`rand(size)`	返回一个从 [0, 1) 区间均匀分布的随机数填充的张量。
	`randn(size)`	返回一个从标准正态分布填充的张量。
Math operations	`add(input, other, alpha)`	将 `other`（由 `alpha` 缩放）加到 `input` 上。
	`mul(input, other)`	将 `input` 与 `other` 相乘。
	`matmul(input, other)`	执行 `input` 和 `other` 的矩阵乘法。
	`mean(input, dim)`	计算 `input` 在维度 `dim` 上的均值。
	`sum(input, dim)`	计算 `input` 在维度 `dim` 上的和。
	`max(input, dim)`	返回 `input` 在维度 `dim` 上的最大值。
	`min(input, dim)`	返回 `input` 在维度 `dim` 上的最小值。

3.1 Tensor 创建

函数	描述
`torch.tensor(data, dtype, device, requires_grad)`	从数据创建张量。
`torch.as_tensor(data, dtype, device)`	将数据转换为张量（共享内存）。
`torch.from_numpy(ndarray)`	从 NumPy 数组创建张量（共享内存）。
`torch.zeros(*size, dtype, device, requires_grad)`	创建全零张量。
`torch.ones(*size, dtype, device, requires_grad)`	创建全一张量。
`torch.empty(*size, dtype, device, requires_grad)`	创建未初始化的张量。
`torch.arange(start, end, step, dtype, device, requires_grad)`	创建等差序列张量。
`torch.linspace(start, end, steps, dtype, device, requires_grad)`	创建等间隔序列张量。
`torch.logspace(start, end, steps, base, dtype, device, requires_grad)`	创建对数间隔序列张量。
`torch.eye(n, m, dtype, device, requires_grad)`	创建单位矩阵。
`torch.full(size, fill_value, dtype, device, requires_grad)`	创建填充指定值的张量。
`torch.rand(*size, dtype, device, requires_grad)`	创建均匀分布随机张量（范围 [0, 1)）。
`torch.randn(*size, dtype, device, requires_grad)`	创建标准正态分布随机张量。
`torch.randint(low, high, size, dtype, device, requires_grad)`	创建整数随机张量。
`torch.randperm(n, dtype, device, requires_grad)`	创建 0 到 n-1 的随机排列。

3.2 Tensor 操作

函数	描述
`torch.cat(tensors, dim)`	沿指定维度连接张量。
`torch.stack(tensors, dim)`	沿新维度堆叠张量。
`torch.split(tensor, split_size, dim)`	将张量沿指定维度分割。
`torch.chunk(tensor, chunks, dim)`	将张量沿指定维度分块。
`torch.reshape(input, shape)`	改变张量的形状。
`torch.transpose(input, dim0, dim1)`	交换张量的两个维度。
`torch.squeeze(input, dim)`	移除大小为 1 的维度。
`torch.unsqueeze(input, dim)`	在指定位置插入大小为 1 的维度。
`torch.expand(input, size)`	扩展张量的尺寸。
`torch.narrow(input, dim, start, length)`	返回张量的切片。
`torch.permute(input, dims)`	重新排列张量的维度。
`torch.masked_select(input, mask)`	根据布尔掩码选择元素。
`torch.index_select(input, dim, index)`	沿指定维度选择索引对应的元素。
`torch.gather(input, dim, index)`	沿指定维度收集指定索引的元素。
`torch.scatter(input, dim, index, src)`	将 `src` 的值散布到 `input` 的指定位置。
`torch.nonzero(input)`	返回非零元素的索引。

3.3 数学运算

函数	描述
`torch.add(input, other)`	逐元素加法。
`torch.sub(input, other)`	逐元素减法。
`torch.mul(input, other)`	逐元素乘法。
`torch.div(input, other)`	逐元素除法。
`torch.matmul(input, other)`	矩阵乘法。
`torch.pow(input, exponent)`	逐元素幂运算。
`torch.sqrt(input)`	逐元素平方根。
`torch.exp(input)`	逐元素指数函数。
`torch.log(input)`	逐元素自然对数。
`torch.sum(input, dim)`	沿指定维度求和。
`torch.mean(input, dim)`	沿指定维度求均值。
`torch.max(input, dim)`	沿指定维度求最大值。
`torch.min(input, dim)`	沿指定维度求最小值。
`torch.abs(input)`	逐元素绝对值。
`torch.clamp(input, min, max)`	将张量值限制在指定范围内。
`torch.round(input)`	逐元素四舍五入。
`torch.floor(input)`	逐元素向下取整。
`torch.ceil(input)`	逐元素向上取整。

3.4 随机数生成

函数	描述
`torch.manual_seed(seed)`	设置随机种子。
`torch.initial_seed()`	返回当前随机种子。
`torch.rand(*size)`	创建均匀分布随机张量（范围 [0, 1)）。
`torch.randn(*size)`	创建标准正态分布随机张量。
`torch.randint(low, high, size)`	创建整数随机张量。
`torch.randperm(n)`	返回 0 到 n-1 的随机排列。

3.5 线性代数

函数	描述
`torch.dot(input, other)`	计算两个向量的点积。
`torch.mm(input, mat2)`	矩阵乘法。
`torch.bmm(input, mat2)`	批量矩阵乘法。
`torch.eig(input)`	计算矩阵的特征值和特征向量。
`torch.svd(input)`	计算矩阵的奇异值分解。
`torch.inverse(input)`	计算矩阵的逆。
`torch.det(input)`	计算矩阵的行列式。
`torch.trace(input)`	计算矩阵的迹。

3.6 设备管理

函数	描述
`torch.cuda.is_available()`	检查 CUDA 是否可用。
`torch.device(device)`	创建一个设备对象（如 `'cpu'` 或 `'cuda:0'`）。
`torch.to(device)`	将张量移动到指定设备。

4 实例

import torch

# 创建张量
x = torch.tensor([1, 2, 3])
y = torch.zeros(2, 3)

# 数学运算
z = torch.add(x, 1)  # 逐元素加 1
print(z)

# 索引和切片
mask = x > 1
selected = torch.masked_select(x, mask)
print(selected)

# 设备管理
if torch.cuda.is_available():
    device = torch.device('cuda')
    x = x.to(device)
    print(x.device)