Tensor

TensorHandle yang mendasarinya.

Membongkar dimensi tertentu dari tensor peringkat- R menjadi beberapa tensor peringkat- (R-1) . Membongkar N tensor dari tensor ini dengan memotongnya sepanjang dimensi axis , dengan N disimpulkan dari bentuk tensor ini. Misalnya diberikan tensor dengan bentuk [A, B, C, D] :

• Jika axis == 0 maka tensor ke- i dalam larik yang dikembalikan adalah potongan self[i, :, :, :] dan setiap tensor dalam larik tersebut akan berbentuk [B, C, D] . (Perhatikan bahwa dimensi yang dibongkar akan hilang, tidak seperti Tensor.split(numSplits:alongAxis) , atau Tensor.split(sizes:alongAxis) ).
• Jika axis == 1 maka tensor ke- i dalam larik yang dikembalikan adalah value[:, i, :, :] dan setiap tensor dalam larik tersebut akan berbentuk [A, C, D] .
• Dll.

Ini kebalikan dari Tensor.init(stacking:alongAxis:) .

Membagi tensor menjadi beberapa tensor. Tensor dibagi sepanjang axis dimensi menjadi count tensor yang lebih kecil. Hal ini mengharuskan count membagi shape[axis] secara merata.

Misalnya:

// 'value' is a tensor with shape [5, 30]
// Split 'value' into 3 tensors along dimension 1:
let parts = value.split(count: 3, alongAxis: 1)
parts[0] // has shape [5, 10]
parts[1] // has shape [5, 10]
parts[2] // has shape [5, 10]

Membagi tensor menjadi beberapa tensor. Tensor dibagi menjadi beberapa bagian sizes.shape[0] . Bentuk potongan i sama dengan tensor ini, kecuali pada axis dimensi yang ukurannya sizes[i] .

Misalnya:

// 'value' is a tensor with shape [5, 30]
// Split 'value' into 3 tensors with sizes [4, 15, 11] along dimension 1:
let parts = value.split(sizes: Tensor<Int32>([4, 15, 11]), alongAxis: 1)
parts[0] // has shape [5, 4]
parts[1] // has shape [5, 15]
parts[2] // has shape [5, 11]

Mengembalikan tensor bersusun, yang dibuat dengan menyusun tensor ini.

Konstruktor ini membuat tensor baru dengan mereplikasi tensor ini multiples kali. Dimensi i tensor yang dibangun memiliki elemen self.shape[i] * multiples[i] , dan nilai tensor ini direplikasi multiples[i] kali sepanjang dimensi ke- i . Misalnya, ubin [abcd] oleh [2] menghasilkan [abcdabcd] .

Mengembalikan tensor bersusun, yang dibuat dengan menyusun tensor ini.

Konstruktor ini membuat tensor baru dengan mereplikasi tensor ini multiples kali. Dimensi i tensor yang dibangun memiliki elemen self.shape[i] * multiples[i] , dan nilai tensor ini direplikasi multiples[i] kali sepanjang dimensi ke- i . Misalnya, ubin [abcd] oleh [2] menghasilkan [abcdabcd] .

Bentuk ulang menjadi bentuk Tensor yang ditentukan.

Bentuk kembali ke bentuk yang ditentukan.

Bentuk ulang menjadi Tensor tertentu yang mewakili suatu bentuk.

Mengembalikan salinan tensor yang diciutkan menjadi Tensor 1-D , dalam urutan baris-utama.

Mengembalikan Tensor yang diperluas bentuknya, dengan dimensi 1 yang disisipkan pada indeks bentuk yang ditentukan.

Mengembalikan Tensor yang diperluas bentuknya, dengan dimensi 1 yang disisipkan pada indeks bentuk yang ditentukan.

Mengembalikan Tensor yang dinaikkan peringkatnya dengan dimensi terdepan 1.

Menghapus dimensi ukuran 1 yang ditentukan dari bentuk tensor. Jika tidak ada dimensi yang ditentukan, maka semua dimensi ukuran 1 akan dihapus.

Menghapus dimensi ukuran 1 yang ditentukan dari bentuk tensor. Jika tidak ada dimensi yang ditentukan, maka semua dimensi ukuran 1 akan dihapus.

Mengembalikan tensor yang dialihkan, dengan dimensi yang diubah dalam urutan yang ditentukan.

Mengembalikan tensor yang dialihkan, dengan dimensi yang diubah dalam urutan yang ditentukan.

Mengembalikan tensor yang dialihkan, dengan dimensi yang diubah dalam urutan yang ditentukan.

Mengembalikan tensor yang dialihkan, dengan dimensi yang diubah dalam urutan yang ditentukan.

Mengembalikan tensor yang dialihkan, dengan dimensi yang diubah dalam urutan yang ditentukan.

Mengembalikan tensor yang dialihkan, dengan dimensi yang diubah dalam urutan yang ditentukan.

Mengembalikan tensor yang dialihkan, dengan dimensi yang diubah dalam urutan terbalik.

Mengembalikan tensor dengan dimensi tertentu yang dibalik.

Mengembalikan tensor dengan dimensi tertentu yang dibalik.

Mengembalikan tensor dengan dimensi tertentu yang dibalik.

Mengembalikan tensor gabungan sepanjang sumbu yang ditentukan.

Operator penggabungan.

Mengembalikan tensor dengan mengumpulkan potongan masukan pada indices sepanjang dimensi axis

Untuk indices 0-D (skalar):

result[p_0,          ..., p_{axis-1},
       p_{axis + 1}, ..., p_{N-1}] =
self[p_0,          ..., p_{axis-1},
     indices,
     p_{axis + 1}, ..., p_{N-1}]

Untuk indices 1-D (vektor):

result[p_0,          ..., p_{axis-1},
       i,
       p_{axis + 1}, ..., p_{N-1}] =
self[p_0,          ..., p_{axis-1},
     indices[i],
     p_{axis + 1}, ..., p_{N-1}]

Dalam kasus umum, menghasilkan tensor yang dihasilkan dimana:

result[p_0,             ..., p_{axis-1},
       i_{batch\_dims}, ..., i_{M-1},
       p_{axis + 1},    ..., p_{N-1}] =
self[p_0,             ..., p_{axis-1},
     indices[i_0,     ..., i_{M-1}],
     p_{axis + 1},    ..., p_{N-1}]

dimana N = self.rank dan M = indices.rank .

Bentuk tensor yang dihasilkan adalah: self.shape[..<axis] + indices.shape + self.shape[(axis + 1)...] .

Mengembalikan irisan tensor ini pada indices sepanjang dimensi axis , sambil mengabaikan dimensi batchDimensionCount pertama yang sesuai dengan dimensi batch. Pengumpulan dilakukan sepanjang dimensi non-batch pertama.

Melakukan fungsi serupa dengan gathering , kecuali bentuk tensor yang dihasilkan sekarang menjadi shape[..<axis] + indices.shape[batchDimensionCount...] + shape[(axis + 1)...] .

Mengembalikan tensor dengan mengumpulkan nilai setelah menerapkan masker boolean yang disediakan ke masukan.

Misalnya:

// 1-D example
// tensor is [0, 1, 2, 3]
// mask is [true, false, true, false]
tensor.gathering(where: mask) // is [0, 2]

// 2-D example
// tensor is [[1, 2], [3, 4], [5, 6]]
// mask is [true, false, true]
tensor.gathering(where: mask) // is [[1, 2], [5, 6]]

Secara umum, 0 < mask.rank = K <= tensor.rank , dan bentuk mask harus sesuai dengan dimensi K pertama dari bentuk tensor . Kita kemudian memiliki: tensor.gathering(where: mask)[i, j1, ..., jd] = tensor[i1, ..., iK, j1, ..., jd] [i1, ..., iK] adalah entri mask i yang true (urutan baris-utama).

axis dapat digunakan dengan mask untuk menunjukkan sumbu yang akan dijadikan mask. Dalam hal ini, axis + mask.rank <= tensor.rank dan bentuk mask 's shape must match the first dimensions of the bentuk tensor.

Mengembalikan lokasi nilai bukan nol/benar di tensor ini.

Koordinat dikembalikan dalam tensor 2D dengan dimensi pertama (baris) mewakili jumlah elemen bukan nol, dan dimensi kedua (kolom) mewakili koordinat elemen bukan nol. Perlu diingat bahwa bentuk tensor keluaran dapat bervariasi bergantung pada berapa banyak nilai sebenarnya yang ada dalam tensor tersebut. Indeks dikeluarkan dalam urutan baris-utama.

Misalnya:

// 'input' is [[true, false], [true, false]]
// 'input' has 2 true values and so the output has 2 rows.
// 'input' has rank of 2, and so the second dimension of the output has size 2.
input.nonZeroIndices() // is [[0, 0], [1, 0]]

// 'input' is [[[ true, false], [ true, false]],
//             [[false,  true], [false,  true]],
//             [[false, false], [false,  true]]]
// 'input' has 5 true values and so the output has 5 rows.
// 'input' has rank 3, and so the second dimension of the output has size 3.
input.nonZeroIndices() // is [[0, 0, 0],
                       //     [0, 1, 0],
                       //     [1, 0, 1],
                       //     [1, 1, 1],
                       //     [2, 1, 1]]

Disiarkan ke bentuk yang sama dengan Tensor yang ditentukan.

Mengekstrak potongan dari tensor yang ditentukan oleh batas bawah dan atas untuk setiap dimensi.

Memeriksa apakah setiap elemen axes menunjukkan sumbu self , dan menghentikan program dengan diagnostik sebaliknya.

Memeriksa apakah setiap elemen axes menunjukkan sumbu self , dan menghentikan program dengan diagnostik sebaliknya.

Memeriksa apakah k menunjukkan sumbu self , dan menghentikan program dengan diagnostik sebaliknya.

Membuat salinan yang other pada Device yang diberikan.

Membuat tensor dengan bentuk tertentu dan nilai skalar tunggal yang berulang.

Membuat tensor dengan bentuk tertentu dan nilai skalar tunggal yang berulang.

Membuat tensor dengan menyiarkan skalar tertentu ke peringkat tertentu dengan semua dimensi menjadi 1.

Membuat tensor dari array tensor (yang mungkin merupakan skalar).

Menumpuk tensors , sepanjang dimensi axis , menjadi tensor baru dengan peringkat satu lebih tinggi dari tensor saat ini dan setiap tensor dalam tensors .

Mengingat semua tensors mempunyai bentuk [A, B, C] , dan tensors.count = N , maka:

• jika axis == 0 maka tensor yang dihasilkan akan berbentuk [N, A, B, C] .
• jika axis == 1 maka tensor yang dihasilkan akan berbentuk [A, N, B, C] .
• dll.

Misalnya:

// 'x' is [1, 4]
// 'y' is [2, 5]
// 'z' is [3, 6]
Tensor(stacking: [x, y, z]) // is [[1, 4], [2, 5], [3, 6]]
Tensor(stacking: [x, y, z], alongAxis: 1) // is [[1, 2, 3], [4, 5, 6]]

Ini kebalikan dari Tensor.unstacked(alongAxis:) .

Menggabungkan tensors sepanjang dimensi axis .

Mengingat tensors[i].shape = [D0, D1, ... Daxis(i), ...Dn] , maka hasil gabungannya berbentuk [D0, D1, ... Raxis, ...Dn] , dimana Raxis = sum(Daxis(i)) . Artinya, data dari tensor masukan digabungkan sepanjang dimensi axis .

Misalnya:

// t1 is [[1, 2, 3], [4, 5, 6]]
// t2 is [[7, 8, 9], [10, 11, 12]]
Tensor(concatenating: [t1, t2]) // is [[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]]
Tensor(concatenating: [t1, t2], alongAxis: 1) // is [[1, 2, 3, 7, 8, 9], [4, 5, 6, 10, 11, 12]]

// t3 has shape [2, 3]
// t4 has shape [2, 3]
Tensor(concatenating: [t3, t4]) // has shape [4, 3]
Tensor(concatenating: [t3, t4], alongAxis: 1) // has shape [2, 6]

Menggantikan elemen tensor ini dengan other di jalur yang mask true .

Mengembalikan nilai benar jika tipe skalar fisik dikurangi presisinya.

Saat ini, jenis skalar fisik presisi rendah hanya mencakup BFloat16 .

Mempromosikan skalar menjadi tensor dengan perangkat dan presisi yang sama dengan tensor yang diberikan.

Mengembalikan salinan self yang dikonversi ke tipe skalar fisik BFloat16 .

Mengembalikan salinan self yang dikonversi ke tipe skalar fisik Scalar .

Jumlah dimensi Tensor .

Bentuk Tensor .

Jumlah skalar di Tensor .

Pangkat tensor, direpresentasikan sebagai Tensor<Int32> .

Dimensi tensor, direpresentasikan sebagai Tensor<Int32> .

Jumlah skalar dalam tensor, direpresentasikan sebagai Tensor<Int32> .

Mengembalikan true jika rank sama dengan 0 dan false jika sebaliknya.

Mengembalikan elemen skalar tunggal jika rank sama dengan 0 dan nil sebaliknya.

Bentuk ulang menjadi skalar.

Membuat tensor 0-D dari nilai skalar.

Membuat tensor 1D dari skalar.

Membuat tensor 1D dari skalar.

Membuat tensor dengan bentuk tertentu dan skalar yang berdekatan dalam urutan baris-utama.

Membuat tensor dengan bentuk tertentu dan skalar yang berdekatan dalam urutan baris-utama.

Membuat tensor dengan bentuk tertentu dan skalar yang berdekatan dalam urutan baris-utama.

Membuat tensor dengan bentuk tertentu dan skalar yang berdekatan dalam urutan baris-utama.

Tipe elemen array literal.

Membuat tensor yang diinisialisasi dengan elemen tertentu.

Representasi tekstual tensor.

Representasi tekstual tensor. Mengembalikan deskripsi ringkasan jika summarize benar dan jumlah elemen melebihi dua kali edgeElementCount .

Representasi tekstual tensor yang lengkap dan tidak dicetak dengan indah, menampilkan semua skalar.

Anotasi yang menjelaskan tensor ini.

Alias ​​untuk anotasi.

Mode yang menentukan bagaimana tensor diberi bantalan.

Mengembalikan tensor yang diisi dengan konstan sesuai dengan ukuran bantalan yang ditentukan.

Mengembalikan tensor empuk sesuai dengan ukuran dan mode padding yang ditentukan.

Mengembalikan tensor skalar Boolean dengan menghitung lhs < rhs berdasarkan elemen.

Mengembalikan tensor skalar Boolean dengan menghitung lhs <= rhs berdasarkan elemen.

Mengembalikan tensor skalar Boolean dengan menghitung lhs > rhs berdasarkan elemen.

Mengembalikan tensor skalar Boolean dengan menghitung lhs >= rhs berdasarkan elemen.

Mengembalikan tensor skalar Boolean dengan menghitung lhs < rhs berdasarkan elemen.

Mengembalikan tensor skalar Boolean dengan menghitung lhs <= rhs berdasarkan elemen.

Mengembalikan tensor skalar Boolean dengan menghitung lhs > rhs berdasarkan elemen.

Mengembalikan tensor skalar Boolean dengan menghitung lhs >= rhs berdasarkan elemen.

Mengembalikan tensor skalar Boolean dengan menghitung lhs < rhs berdasarkan elemen.

Mengembalikan tensor skalar Boolean dengan menghitung lhs <= rhs berdasarkan elemen.

Mengembalikan tensor skalar Boolean dengan menghitung lhs > rhs berdasarkan elemen.

Mengembalikan tensor skalar Boolean dengan menghitung lhs >= rhs berdasarkan elemen.

Mengembalikan tensor skalar Boolean dengan menghitung lhs == rhs berdasarkan elemen.

Mengembalikan tensor skalar Boolean dengan menghitung lhs != rhs berdasarkan elemen.

Mengembalikan tensor skalar Boolean dengan menghitung lhs == rhs berdasarkan elemen.

Mengembalikan tensor skalar Boolean dengan menghitung lhs != rhs berdasarkan elemen.

Mengembalikan tensor skalar Boolean dengan menghitung lhs == rhs berdasarkan elemen.

Mengembalikan tensor skalar Boolean dengan menghitung lhs != rhs berdasarkan elemen.

Mengembalikan tensor nilai Boolean yang menunjukkan apakah elemen self kira-kira sama dengan elemen other .

Mengembalikan true jika semua elemen self kira-kira sama dengan elemen other .

Menjalankan jumlah replika silang untuk tensor ini. Penjumlahan replika silang yang sama harus terjadi pada setiap perangkat lain yang berpartisipasi dalam penjumlahan tersebut.

Lakukan konversi tipe berdasarkan elemen dari tensor Bool .

Lakukan konversi berdasarkan elemen dari Tensor lain.

Membuat tensor dengan semua skalar disetel ke nol.

Membuat tensor dengan semua skalar disetel ke satu.

Membuat tensor dengan semua skalar disetel ke nol yang memiliki bentuk dan jenis yang sama dengan tensor yang disediakan.

Membuat tensor dengan semua skalar disetel ke bentuk dan jenis yang sama dengan tensor yang disediakan.

Membuat tensor 1-D yang mewakili urutan dari nilai awal hingga, namun tidak termasuk, nilai akhir, dengan jumlah yang ditentukan.

Membuat tensor 1-D yang mewakili urutan dari nilai awal hingga, namun tidak termasuk, nilai akhir, dengan jumlah yang ditentukan.

Membuat tensor one-hot pada indeks tertentu. Lokasi yang diwakili oleh indices mengambil nilai onValue ( 1 secara default), sedangkan semua lokasi lainnya mengambil nilai offValue ( 0 secara default). Jika indices masukannya adalah peringkat n , tensor baru akan memiliki peringkat n+1 . Sumbu baru dibuat pada axis dimensi (secara default, sumbu baru ditambahkan di akhir).

Jika indices berupa skalar, bentuk tensor baru akan berupa vektor panjang depth .

Jika indices adalah vektor features panjang, bentuk keluarannya adalah: fitur x kedalaman, jika sumbu == -1 kedalaman x fitur, jika sumbu == 0

Jika indices adalah matriks (batch) dengan bentuk [batch, features] , bentuk keluarannya adalah: batch x fitur x kedalaman, jika sumbu == -1 kumpulan x kedalaman x fitur, jika sumbu == 1 kedalaman x kumpulan x fitur , jika sumbu == 0

Membuat tensor 1-D yang mewakili urutan dari nilai awal, hingga dan termasuk nilai akhir, dengan jarak yang merata untuk menghasilkan jumlah nilai yang ditentukan.

Membuat tensor 1-D yang mewakili urutan dari nilai awal, hingga dan termasuk nilai akhir, dengan jarak yang merata untuk menghasilkan jumlah nilai yang ditentukan.

Membuat tensor dengan bentuk tertentu, mengambil sampel nilai skalar secara acak dari distribusi seragam antara lowerBound dan upperBound .

Membuat tensor dengan bentuk tertentu, mengambil sampel nilai skalar secara acak dari distribusi seragam antara lowerBound dan upperBound .

Membuat tensor dengan bentuk tertentu, mengambil sampel nilai skalar secara acak dari distribusi normal.

Membuat tensor dengan bentuk tertentu, mengambil sampel nilai skalar secara acak dari distribusi Normal yang terpotong.

Membuat tensor dengan mengambil sampel dari distribusi kategorikal.

Membuat tensor dengan bentuk yang ditentukan dengan melakukan inisialisasi seragam Glorot (Xavier).

Ini mengambil sampel acak dari distribusi seragam antara -limit dan limit yang dihasilkan oleh generator bilangan acak default, dengan limit adalah sqrt(6 / (fanIn + fanOut)) dan fanIn / fanOut mewakili jumlah fitur input dan output dikalikan dengan reseptif ukuran lapangan.

Referensi: “Memahami kesulitan melatih jaringan saraf feedforward yang dalam”

Membuat tensor dengan bentuk yang ditentukan dengan melakukan inisialisasi normal Glorot (Xavier).

Ini mengambil sampel acak dari distribusi normal terpotong yang berpusat pada 0 dengan deviasi standar sqrt(2 / (fanIn + fanOut)) yang dihasilkan oleh generator angka acak default, di mana fanIn / fanOut mewakili jumlah fitur input dan output dikalikan dengan bidang reseptif ukuran.

Referensi: “Memahami kesulitan melatih jaringan saraf feedforward yang dalam”

Membuat tensor dengan bentuk yang ditentukan dengan melakukan inisialisasi seragam He (Kaiming).

Ini mengambil sampel acak dari distribusi seragam antara -limit dan limit yang dihasilkan oleh generator angka acak default, dengan limit adalah sqrt(6 / fanIn) dan fanIn mewakili jumlah fitur input dikalikan dengan ukuran bidang reseptif.

Referensi: “Mendalami Penyearah: Melampaui Kinerja Tingkat Manusia pada Klasifikasi ImageNet”

Membuat tensor dengan bentuk yang ditentukan dengan melakukan inisialisasi normal He (Kaiming).

Ini mengambil sampel acak dari distribusi normal terpotong yang berpusat pada 0 dengan deviasi standar sqrt(2 / fanIn)) yang dihasilkan oleh generator angka acak default, di mana fanIn mewakili jumlah fitur input dikalikan dengan ukuran bidang reseptif.

Referensi: “Mendalami Penyearah: Melampaui Kinerja Tingkat Manusia pada Klasifikasi ImageNet”

Membuat tensor dengan bentuk tertentu dengan melakukan inisialisasi seragam LeCun.

Ini mengambil sampel acak dari distribusi seragam antara -limit dan limit yang dihasilkan oleh generator angka acak default, dengan limit adalah sqrt(3 / fanIn) dan fanIn mewakili jumlah fitur input dikalikan dengan ukuran bidang reseptif.

Referensi: “BackProp Efisien”

Membuat tensor dengan bentuk yang ditentukan dengan melakukan inisialisasi normal LeCun.

Ini mengambil sampel acak dari distribusi normal terpotong yang berpusat pada 0 dengan deviasi standar sqrt(1 / fanIn) yang dihasilkan oleh generator angka acak default, di mana fanIn mewakili jumlah fitur input dikalikan dengan ukuran bidang reseptif.

Referensi: “BackProp Efisien”

Membuat matriks atau tensor ortogonal.

Jika bentuk tensor yang akan diinisialisasi adalah dua dimensi, maka diinisialisasi dengan matriks ortogonal yang diperoleh dari dekomposisi QR matriks bilangan acak yang diambil dari distribusi normal. Jika matriks memiliki lebih sedikit baris daripada kolom maka keluarannya akan memiliki baris ortogonal. Jika tidak, keluarannya akan memiliki kolom ortogonal.

Jika bentuk tensor yang akan diinisialisasi lebih dari dua dimensi, matriks berbentuk [shape[0] * ... * shape[rank - 2], shape[rank - 1]] diinisialisasi. Matriks tersebut kemudian dibentuk ulang untuk memberikan tensor bentuk yang diinginkan.

Mengembalikan bagian diagonal [batched] dari tensor [batched]. Untuk instance tensor berbentuk [..., M, N] , keluarannya adalah tensor berbentuk [..., K] , dengan K sama dengan min(N, M) .

Misalnya:

// 't' is [[1, 0, 0, 0]
//         [0, 2, 0, 0]
//         [0, 0, 3, 0]
//         [0, 0, 0, 4]]
t.diagonalPart()
// [1, 2, 3, 4]

Membangun array diagonal [batch]. Untuk instance tensor berbentuk [..., M] , keluarannya adalah tensor berbentuk [..., M, M] .

Misalnya:

// 't' is [1, 2, 3, 4]

t.diagonal()
// [[1, 0, 0, 0]
//  [0, 2, 0, 0]
//  [0, 0, 3, 0]
//  [0, 0, 0, 4]]

Mengembalikan self dengan nilai diagonal baru, mengingat self adalah matriks batch opsional.

Tensor yang dikembalikan memiliki bentuk dan nilai yang sama dengan self , kecuali untuk diagonal tertentu dari matriks terdalam yang ditimpa oleh nilai dalam diagonal .

Parameter diagonal: Tensor dengan rank - 1 mewakili nilai diagonal baru.

Mengembalikan salinan tensor terdalam yang ditentukan oleh batas pita pusat. Outputnya adalah tensor dengan bentuk yang sama dengan instance [..., :, :] .

Misalnya:

// 't' is [[ 0,  1,  2, 3]
//         [-1,  0,  1, 2]
//         [-2, -1,  0, 1]
//         [-3, -2, -1, 0]]

t.bandPart(1, -1)
// [[ 0,  1,  2, 3]
//  [-1,  0,  1, 2]
//  [ 0, -1,  0, 1]
//  [ 0,  0, -1, 0]]

t.bandPart(2, 1)
// [[ 0,  1,  0, 0]
//  [-1,  0,  1, 0]
//  [-2, -1,  0, 1]
//  [ 0, -2, -1, 0]]

Mengembalikan dekomposisi QR setiap matriks bagian dalam di tensor, tensor dengan matriks ortogonal q dan tensor dengan matriks segitiga atas bagian dalam r , sehingga tensornya sama dengan matmul(q, r) .

Mengembalikan dekomposisi nilai tunggal self , mengingat self merupakan matriks batch opsional.

Dekomposisi nilai tunggal (SVD) dari matriks yang self secara opsional adalah nilai s , u , dan v , sehingga:

self[..., :, :] = u[..., :, :] • s[..., :, :].diagonal() • v[..., :, :].transposed()`

self must be a tensor with shape […, M, N] . Let K = min(M, N)`.

Akar kuadrat dari x .

Untuk tipe sebenarnya, jika x negatif hasilnya adalah .nan . Untuk tipe kompleks terdapat potongan cabang pada sumbu nyata negatif.

Kosinus x , diartikan sebagai sudut dalam radian.

Sinus x , diartikan sebagai sudut dalam radian.

Garis singgung x , diartikan sebagai sudut dalam radian.

Kosinus terbalik dari x dalam radian.

Sinus kebalikan dari x dalam radian.

Kebalikan tangen x dalam radian.

Kosinus hiperbolik dari x .

Sinus hiperbolik dari x .

Garis singgung hiperbolik dari x .