1.逐元素操作

这部分操作会对tensor的每一个元素（element-wise）进行操作，此类操作的输入与输出形状一致。

1. abs/sqrt/div/exp/fmod/log/pow     绝对值/平方根/除法/指数/求余/求幂
2. cos/sin/asin/atan2/cosh     三角函数
3. ceil/round/floor/trunc        上取整/四舍五入/下取整/只保留整数部分
4. clamp(input,min,max)       超过min和max的部分进行阶段
5. sigmoid/tanh       激活函数

对于很多操作，如div、mul、pow、fmod等，PyTorch都实现了运算符重载，所以可以直接使用运算符。如a**2等价于torch.pow(a,2)，等价于torch.mul(a,2)

2.归并操作

此类操作会使输出形状小于输入形状，并可以沿着某一维度进行指定操作。如加法sum，既可以计算整个tensor的和，也可以计算tensor中每一行或每一列的和。

1. mean/sum/median/mode        均值/和/中位数/众数
2. norm/dist        范数/距离
3. std/var        标准差/方差
4. cumsum/cumprod        累加/累乘

以上大多数函数都有一个参数dim，用来指定这些操作是在哪个维度上执行的。

假设输入的形状是（m,n,k）：

• 如果指定dim=0，输出的形状就是（1,n,k）或者（n,k）；
• 如果指定dim=1，输出的形状就是（m,1,k）或者（m,k）；
• 如果指定dim=2，输出的形状就是（m,n,1）或者（m,n）。

size中是否有1，取决于参数keepdim，keepdim=True会保留维度1,keepdim默认为False。

3.比较

比较函数中有一些是逐元素比较，操作类似于逐元素操作，还有一些则类似于归并操作。

1. gt/lt/ge/le/eq/ne        大于/小于/大于等于/小于等于/等于/不等于
2. topk        最大的k个数
3. sort        排序
4. max/min       比较两个tensor的最大值和最小值

如max()函数：

• t.max(tensor)：返回tensor中最大的一个数。
• t.max(tensor,dim)：指定维度上最大的数，返回tensor和下标。
• t.max(tensor1,tensor2)：比较两个tesor相比最大的元素。

4.线性代数

PyTorch的线性函数主要封装了Blas和Lapack，其用法和接口都与之类似。

1. trace    对角线元素之和（矩阵的迹）
2. diag    对角线元素
3. triu/tril    矩阵的上三角/下三角，可指定偏移量
4. mm/bmm    矩阵乘法，batch的矩阵乘法
5. addmm/addbmm/addmv    矩阵运算
6. t    转置
7. dot/cross  内积/外积
8. inverse    求逆运算
9. svd    奇异值分解

注意：矩阵的 转置会导致存储空间不连续，需调用它的.contiguous方法将其转为连续。