Tensor

class paddle. Tensor

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

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

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

grad

查看一个Tensor的梯度，数据类型为numpy.ndarray。

代码示例

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

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

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

ndim

查看一个Tensor的维度，也称作rank。

代码示例

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

  1. import paddle
  2. print("Whether Tensor is persistable: ", paddle.to_tensor(1).persistable)
  3. # 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

  1. import paddle
  2. cpu_tensor = paddle.to_tensor(1, place=paddle.CPUPlace())
  3. 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

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

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

abs(name=None)

返回：计算后的Tensor

返回类型：Tensor

请参考 abs

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_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

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

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

  1. import paddle
  2. x = paddle.to_tensor(1.0)
  3. print("original tensor's dtype is: {}".format(x.dtype))
  4. 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

  1. import paddle
  2. x = paddle.to_tensor(5., stop_gradient=False)
  3. for i in range(5):
  4.     y = paddle.pow(x, 4.0)
  5.     y.backward()
  6.     print("{}: {}".format(i, x.grad))
  7. # 0: [500.]
  8. # 1: [1000.]
  9. # 2: [1500.]
  10. # 3: [2000.]
  11. # 4: [2500.]
  12. x.clear_grad()
  13. print("{}".format(x.grad))
  14. # 0.
  15. grad_tensor=paddle.to_tensor(2.)
  16. for i in range(5):
  17.     y = paddle.pow(x, 4.0)
  18.     y.backward(grad_tensor)
  19.     print("{}: {}".format(i, x.grad))
  20. # 0: [1000.]
  21. # 1: [2000.]
  22. # 2: [3000.]
  23. # 3: [4000.]
  24. # 4: [5000.]

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。

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

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

  1. import paddle
  2. import numpy as np
  4. x = np.ones([2, 2], np.float32)
  5. inputs2 = []
  6. for _ in range(10):
  7.     tmp = paddle.to_tensor(x)
  8.     tmp.stop_gradient=False
  9.     inputs2.append(tmp)
  10. ret2 = paddle.add_n(inputs2)
  11. loss2 = paddle.sum(ret2)
  12. loss2.backward()
  13. print(loss2.gradient())
  14. loss2.clear_gradient()
  15. 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 cn_api_fluid_layers_clip

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

  1. import paddle
  3. x = paddle.to_tensor(1.0, stop_gradient=False)
  4. clone_x = x.clone()
  5. y = clone_x**2
  6. y.backward()
  7. print(clone_x.stop_gradient) # False
  8. print(clone_x.grad)          # [2.0], support gradient propagation
  9. print(x.stop_gradient)       # False
  10. print(x.grad)                # [2.0], clone_x support gradient propagation for x
  12. x = paddle.to_tensor(1.0)
  13. clone_x = x.clone()
  14. clone_x.stop_gradient = False
  15. z = clone_x**3
  16. z.backward()
  17. print(clone_x.stop_gradient) # False
  18. print(clone_x.grad)          # [3.0], support gradient propagation
  19. print(x.stop_gradient)       # True
  20. 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

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

  1. import paddle
  3. x = paddle.to_tensor([-0.4, -0.2, 0.1, 0.3])
  4. out = paddle.cosh(x)
  5. print(out)
  6. # [1.08107237 1.02006674 1.00500417 1.04533851]

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

  1. import paddle
  2. x = paddle.to_tensor(1.0, place=paddle.CUDAPlace(0))
  3. print(x.place)    # CUDAPlace(0)
  5. y = x.cpu()
  6. 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

  1. import paddle
  2. x = paddle.to_tensor(1.0, place=paddle.CPUPlace())
  3. print(x.place)        # CPUPlace
  5. y = x.cuda()
  6. print(y.place)        # CUDAPlace(0)
  8. y = x.cuda(1)
  9. 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

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

  1. import paddle
  2. import numpy as np
  4. data = np.random.uniform(-1, 1, [30, 10, 32]).astype('float32')
  5. linear = paddle.nn.Linear(32, 64)
  6. data = paddle.to_tensor(data)
  7. x = linear(data)
  8. y = x.detach()

dim()

查看一个Tensor的维度，也称作rank。

代码示例

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

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

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

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

flip(axis, name=None)

返回：计算后的Tensor

返回类型：Tensor

请参考 flip

floor(name=None)

返回：计算后的Tensor

返回类型：Tensor

请参考 floor

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

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

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

  1. import paddle
  2. x = paddle.to_tensor([1.0, 2.0, 3.0], stop_gradient=False)
  3. y = paddle.to_tensor([4.0, 5.0, 6.0], stop_gradient=False)
  4. z = x * y
  5. z.backward()
  6. 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

histogram(bins=100, min=0, max=0)

返回：计算后的Tensor

返回类型：Tensor

请参考 histogram

increment(value=1.0, in_place=True)

返回：计算后的Tensor

返回类型：Tensor

请参考 cn_api_fluid_layers_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

inverse(name=None)

返回：计算后的Tensor

返回类型：Tensor

请参考 inverse

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

kron(y, name=None)

返回：计算后的Tensor

返回类型：Tensor

请参考 kron

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

log(name=None)

返回：计算后的Tensor

返回类型：Tensor

请参考 log

log1p(name=None)

返回：计算后的Tensor

返回类型：Tensor

请参考 log1p

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

logsigmoid()

返回：计算后的Tensor

返回类型：Tensor

请参考 cn_api_fluid_layers_logsigmoid

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

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

返回：计算后的Tensor

返回类型：Tensor

请参考 max

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

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

返回：计算后的Tensor

返回类型：Tensor

请参考 min

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

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

ndimension()

查看一个Tensor的维度，也称作rank。

代码示例

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

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

  1. import paddle
  2. import numpy as np
  4. data = np.random.uniform(-1, 1, [30, 10, 32]).astype('float32')
  5. linear = paddle.nn.Linear(32, 64)
  6. data = paddle.to_tensor(data)
  7. x = linear(data)
  8. 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

  1. import paddle
  2. x = paddle.to_tensor(1.0, place=paddle.CUDAPlace(0))
  3. print(x.place)      # CUDAPlace(0)
  5. y = x.pin_memory()
  6. print(y.place)      # CUDAPinnedPlace

pow(y, name=None)

返回：计算后的Tensor

返回类型：Tensor

请参考 cn_api_fluid_layers_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

rank()

返回：计算后的Tensor

返回类型：Tensor

请参考 rank

reciprocal(name=None)

返回：计算后的Tensor

返回类型：Tensor

请参考 reciprocal

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

  1. import paddle
  3. # hook function return None
  4. def print_hook_fn(grad):
  5.     print(grad)
  7. # hook function return Tensor
  8. def double_hook_fn(grad):
  9.     grad = grad * 2
  10.     return grad
  12. x = paddle.to_tensor([0., 1., 2., 3.], stop_gradient=False)
  13. y = paddle.to_tensor([4., 5., 6., 7.], stop_gradient=False)
  14. z = paddle.to_tensor([1., 2., 3., 4.])
  16. # one Tensor can register multiple hooks
  17. h = x.register_hook(print_hook_fn)
  18. x.register_hook(double_hook_fn)
  20. w = x + y
  21. # register hook by lambda function
  22. w.register_hook(lambda grad: grad * 2)
  24. o = z.matmul(w)
  25. o.backward()
  26. # print_hook_fn print content in backward
  27. # Tensor(shape=[4], dtype=float32, place=CUDAPlace(0), stop_gradient=False,
  28. #        [2., 4., 6., 8.])
  30. print("w.grad:", w.grad) # w.grad: [1. 2. 3. 4.]
  31. print("x.grad:", x.grad) # x.grad: [ 4.  8. 12. 16.]
  32. print("y.grad:", y.grad) # y.grad: [2. 4. 6. 8.]
  34. # remove hook
  35. h.remove()

remainder(y, name=None)

返回：计算后的Tensor

返回类型：Tensor

请参考 mod

reshape(shape, name=None)

返回：计算后的Tensor

返回类型：Tensor

请参考 reshape

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

rsqrt(name=None)

返回：计算后的Tensor

返回类型：Tensor

请参考 rsqrt

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

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

返回：计算后的Tensor

返回类型：Tensor

请参考 scatter

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

  1. import paddle
  2. import numpy as np
  4. data = np.ones([3, 1024], dtype='float32')
  5. linear = paddle.nn.Linear(1024, 4)
  6. input = paddle.to_tensor(data)
  7. linear(input)  # call with default weight
  8. custom_weight = np.random.randn(1024, 4).astype("float32")
  9. linear.weight.set_value(custom_weight)  # change existing weight
  10. 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

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

  1. import paddle
  3. x = paddle.to_tensor([-0.4, -0.2, 0.1, 0.3])
  4. out = x.sinh()
  5. print(out)
  6. # [-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

请参考 cn_api_fluid_layers_softsign

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

sqrt(name=None)

返回：计算后的Tensor

返回类型：Tensor

请参考 sqrt

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

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

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

sums(out=None)

返回：计算后的Tensor

返回类型：Tensor

请参考 sums

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 tanh

tile(repeat_times, name=None)

返回：计算后的Tensor

返回类型：Tensor

请参考 tile

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

unbind(axis=0)

返回：计算后的Tensor

返回类型：Tensor

请参考 cn_api_paddle_tensor_unbind

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

unique_with_counts(dtype=int32)

返回：计算后的Tensor

返回类型：Tensor

请参考 unique_with_counts

unsqueeze(axis, name=None)

返回：计算后的Tensor

返回类型：Tensor

请参考 unsqueeze

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)

返回：计算后的Tensor

返回类型：Tensor

请参考 where

使用本API的教程文档