tensör

Temel TensorHandle .

R dereceli bir tensörün belirli boyutunu birden fazla sıralı (R-1) tensöre açar. Bu tensörün şeklinden N çıkarıldığı axis boyutu boyunca parçalayarak bu tensörden N adet tensörü paketinden çıkarır. Örneğin, [A, B, C, D] şeklinde bir tensör verildiğinde:

• Eğer axis == 0 ise, döndürülen dizideki i tensör self[i, :, :, :] dilimidir ve bu dizideki her tensör [B, C, D] şekline sahip olacaktır. ( Tensor.split(numSplits:alongAxis) veya Tensor.split(sizes:alongAxis) den farklı olarak paketten çıkarılan boyutun kaybolduğunu unutmayın).
• Eğer axis == 1 ise, o zaman döndürülen dizideki i tensör dilim value[:, i, :, :] ve bu dizideki her tensör [A, C, D] şekline sahip olacaktır.
• Vesaire.

Bu Tensor.init(stacking:alongAxis:) işlevinin tam tersidir.

Bir tensörü birden çok tensöre böler. Tensör, boyut axis boyunca daha küçük count bölünür. Bu, count shape[axis] eşit şekilde bölmesini gerektirir.

Örneğin:

// '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]

Bir tensörü birden çok tensöre böler. Tensör, sizes.shape[0] parçalarına bölünür. i parçanın şekli, boyutun sizes[i] olduğu boyut axis dışında bu tensörle aynı şekle sahiptir.

Örneğin:

// '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]

Bu tensörün döşenmesiyle oluşturulan döşenmiş bir tensörü döndürür.

Bu yapıcı, bu tensörü multiples kez çoğaltarak yeni bir tensör oluşturur. Oluşturulan tensörün i boyutu self.shape[i] * multiples[i] elemanlarına sahiptir ve bu tensörün değerleri i boyut boyunca multiples[i] kez kopyalanır. Örneğin, [abcd] öğesinin [2] ile döşenmesi [abcdabcd] sonucunu verir.

Bu tensörün döşenmesiyle oluşturulan döşenmiş bir tensörü döndürür.

Bu yapıcı, bu tensörü multiples kez çoğaltarak yeni bir tensör oluşturur. Oluşturulan tensörün i boyutu self.shape[i] * multiples[i] elemanlarına sahiptir ve bu tensörün değerleri i boyut boyunca multiples[i] kez kopyalanır. Örneğin, [abcd] öğesinin [2] ile döşenmesi [abcdabcd] sonucunu verir.

Belirtilen Tensor şekline göre yeniden şekillendirin.

Belirtilen şekle yeniden şekillendirin.

Bir şekli temsil eden belirtilen Tensor göre yeniden şekillendirin.

Tensörün bir kopyasını 1-D Tensor daraltılmış olarak ana satır sırasına göre döndürün.

Belirtilen şekil indekslerine 1 boyutu eklenmiş, şekil genişletilmiş bir Tensor döndürür.

Belirtilen şekil indekslerine 1 boyutu eklenmiş, şekil genişletilmiş bir Tensor döndürür.

Ön boyutu 1 olan, sıralaması yükseltilmiş bir Tensor döndürür.

Boyut 1'in belirtilen boyutlarını tensörün şeklinden kaldırır. Hiçbir boyut belirtilmezse, boyut 1'in tüm boyutları kaldırılacaktır.

Boyut 1'in belirtilen boyutlarını tensörün şeklinden kaldırır. Hiçbir boyut belirtilmezse, boyut 1'in tüm boyutları kaldırılacaktır.

Boyutların belirtilen sıraya göre değiştirildiği, aktarılmış bir tensör döndürür.

Boyutların belirtilen sıraya göre değiştirildiği, aktarılmış bir tensör döndürür.

Boyutların belirtilen sıraya göre değiştirildiği, aktarılmış bir tensör döndürür.

Boyutların belirtilen sıraya göre değiştirildiği, aktarılmış bir tensör döndürür.

Boyutların belirtilen sıraya göre değiştirildiği, aktarılmış bir tensör döndürür.

Boyutların belirtilen sıraya göre değiştirildiği, aktarılmış bir tensör döndürür.

Boyutların ters sırada değiştirildiği, aktarılmış bir tensör döndürür.

Belirtilen boyutların tersine çevrildiği bir tensör döndürür.

Belirtilen boyutların tersine çevrildiği bir tensör döndürür.

Belirtilen boyutların tersine çevrildiği bir tensör döndürür.

Belirtilen eksen boyunca birleştirilmiş bir tensör döndürür.

Birleştirme operatörü.

Girişin dilimlerini axis boyutu boyunca indices toplayarak bir tensör döndürür

0-D (skaler) indices için:

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}]

1-D (vektör) indices için:

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}]

Genel durumda, sonuç olarak bir tensör üretir:

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}]

burada N = self.rank ve M = indices.rank .

Ortaya çıkan tensörün şekli şöyledir: self.shape[..<axis] + indices.shape + self.shape[(axis + 1)...] .

axis iş boyutlarına karşılık gelen ilk batchDimensionCount boyutlarını yok sayarak, eksen boyutu boyunca indices bu tensörün dilimlerini döndürür. Toplama, toplu olmayan ilk boyut boyunca gerçekleştirilir.

Ortaya çıkan tensör şeklinin artık shape[..<axis] + indices.shape[batchDimensionCount...] + shape[(axis + 1)...] dışında, gathering işlemine benzer işlevsellik gerçekleştirir.

Sağlanan boole maskesini girişe uyguladıktan sonra değerleri toplayarak bir tensör döndürür.

Örneğin:

// 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]]

Genel olarak, 0 < mask.rank = K <= tensor.rank ve mask şekli, tensor şeklinin ilk K boyutlarıyla eşleşmelidir. O zaman elimizde: tensor.gathering(where: mask)[i, j1, ..., jd] = tensor[i1, ..., iK, j1, ..., jd] burada [i1, ..., iK] mask i true girişidir (satır-ana sıralama).

axis maskelenecek ekseni belirtmek için mask birlikte kullanılabilir. Bu durumda axis + mask.rank <= tensor.rank ve mask şekli, tensörün şeklinin birinci axis + mask.rank dimensions of the 's shape must match the first .

Bu tensördeki sıfır olmayan/doğru değerlerin konumlarını döndürür.

Koordinatlar, ilk boyutun (satırlar) sıfır olmayan öğelerin sayısını temsil ettiği ve ikinci boyutun (sütunlar) sıfır olmayan öğelerin koordinatlarını temsil ettiği 2 boyutlu bir tensörde döndürülür. Çıkış tensörünün şeklinin, bu tensörde kaç tane gerçek değer bulunduğuna bağlı olarak değişebileceğini unutmayın. Endeksler satır ana sırasına göre çıkarılır.

Örneğin:

// '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]]

Belirtilen Tensor ile aynı şekle yayınlayın.

Her boyut için alt ve üst sınırlar tarafından tanımlanan tensörden bir dilim çıkarır.

axes her bir öğesinin self eksenini ifade edip etmediğini kontrol eder ve aksi takdirde bir tanılamayla programı durdurur.

axes her bir öğesinin self eksenini ifade edip etmediğini kontrol eder ve aksi takdirde bir tanılamayla programı durdurur.

k self eksenini ifade edip etmediğini kontrol eder ve aksi halde bir tanılamayla programı durdurur.

Verilen Device üzerinde other öğesinin bir kopyasını oluşturur.

Belirtilen şekle ve tekrarlanan tek bir skaler değere sahip bir tensör oluşturur.

Belirtilen şekle ve tekrarlanan tek bir skaler değere sahip bir tensör oluşturur.

Verilen skaleri, tüm boyutların 1 olduğu belirli bir dereceye yayınlayarak bir tensör oluşturur.

Bir tensör dizisinden (bunların kendileri de skaler olabilir) bir tensör oluşturur.

tensors axis boyutu boyunca, geçerli tensörden bir üst seviyeye ve tensors her tensöre sahip yeni bir tensöre yığınlar.

tensors tamamının [A, B, C] şekline sahip olduğu ve tensors.count = N göz önüne alındığında, o zaman:

• axis == 0 ise ortaya çıkan tensör [N, A, B, C] şekline sahip olacaktır.
• axis == 1 ise ortaya çıkan tensör [A, N, B, C] şekline sahip olacaktır.
• vesaire.

Örneğin:

// '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]]

Bu, Tensor.unstacked(alongAxis:) öğesinin tam tersidir.

tensors axis boyutu boyunca birleştirir.

tensors[i].shape = [D0, D1, ... Daxis(i), ...Dn] önüne alındığında, birleştirilmiş sonuç [D0, D1, ... Raxis, ...Dn] şekline sahiptir, burada Raxis = sum(Daxis(i)) . Yani giriş tensörlerinden gelen veriler axis boyutu boyunca birleştirilir.

Örneğin:

// 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]

mask öğesinin true olduğu şeritlerde bu tensörün öğelerini other değiştirir.

Fiziksel skaler türün duyarlılığı azaltılırsa true değerini döndürür.

Şu anda azaltılmış hassasiyetli fiziksel skaler türler yalnızca BFloat16 içermektedir.

Verilen tensörle aynı cihaz ve hassasiyetle bir tensöre skaleri yükseltir.

self BFloat16 fiziksel skaler türüne dönüştürülmüş bir kopyasını döndürür.

self Scalar fiziksel skaler türüne dönüştürülmüş bir kopyasını döndürür.

Tensor boyut sayısı.

Tensor şekli.

Tensor skaler sayısı.

Tensor<Int32> olarak temsil edilen tensörün sırası.

Tensor<Int32> olarak temsil edilen tensörün boyutları.

Tensor<Int32> olarak temsil edilen tensördeki skaler sayısı.

rank 0'a eşitse true , değilse false değerini döndürür.

rank 0'a eşitse, aksi halde nil eşitse tek skaler öğeyi döndürür.

Skaler olarak yeniden şekillendirin.

Skaler bir değerden 0-D tensör oluşturur.

Skalerlerden 1 boyutlu bir tensör oluşturur.

Skalerlerden 1 boyutlu bir tensör oluşturur.

Belirtilen şekle ve bitişik skalerlere sahip, ana satır sırasına göre bir tensör oluşturur.

Belirtilen şekle ve bitişik skalerlere sahip, ana satır sırasına göre bir tensör oluşturur.

Belirtilen şekle ve bitişik skalerlere sahip, ana satır sırasına göre bir tensör oluşturur.

Belirtilen şekle ve bitişik skalerlere sahip, ana satır sırasına göre bir tensör oluşturur.

Bir dizi değişmezinin öğelerinin türü.

Verilen öğelerle başlatılan bir tensör oluşturur.

Tensörün metinsel temsili.

Tensörün metinsel temsili. summarize doğruysa ve öğe sayısı edgeElementCount iki katını aşarsa özetlenmiş bir açıklama döndürür.

Tensörün tüm skalerleri gösteren tam, güzel basılmamış metinsel temsili.

Bu tensörü açıklayan açıklamalar.

Ek açıklamalar için bir takma ad.

Bir tensörün nasıl doldurulacağını belirleyen bir mod.

Belirtilen doldurma boyutlarına göre sabitle doldurulmuş bir tensör döndürür.

Belirtilen dolgu boyutlarına ve moduna göre yastıklı bir tensör döndürür.

lhs < rhs öğesini öğe bazında hesaplayarak Boole skalerlerinin tensörünü döndürür.

lhs <= rhs öğesini öğe bazında hesaplayarak Boolean skalerlerinin tensörünü döndürür.

lhs > rhs öğesini öğe bazında hesaplayarak Boolean skalerlerinin tensörünü döndürür.

Öğe bazında lhs >= rhs değerini hesaplayarak Boolean skalerlerinin tensörünü döndürür.

lhs < rhs öğesini öğe bazında hesaplayarak Boole skalerlerinin tensörünü döndürür.

lhs <= rhs öğesini öğe bazında hesaplayarak Boolean skalerlerinin tensörünü döndürür.

lhs > rhs öğesini öğe bazında hesaplayarak Boolean skalerlerinin tensörünü döndürür.

Öğe bazında lhs >= rhs değerini hesaplayarak Boolean skalerlerinin tensörünü döndürür.

lhs < rhs öğesini öğe bazında hesaplayarak Boole skalerlerinin tensörünü döndürür.

lhs <= rhs öğesini öğe bazında hesaplayarak Boolean skalerlerinin tensörünü döndürür.

lhs > rhs öğesini öğe bazında hesaplayarak Boolean skalerlerinin tensörünü döndürür.

Öğe bazında lhs >= rhs değerini hesaplayarak Boolean skalerlerinin tensörünü döndürür.

lhs == rhs öğesini öğe bazında hesaplayarak Boole skalerlerinin tensörünü döndürür.

lhs != rhs öğesini öğe bazında hesaplayarak Boolean skalerlerinin tensörünü döndürür.

lhs == rhs öğesini öğe bazında hesaplayarak Boole skalerlerinin tensörünü döndürür.

lhs != rhs öğesini öğe bazında hesaplayarak Boolean skalerlerinin tensörünü döndürür.

lhs == rhs öğesini öğe bazında hesaplayarak Boole skalerlerinin tensörünü döndürür.

lhs != rhs öğesini öğe bazında hesaplayarak Boolean skalerlerinin tensörünü döndürür.

self öğelerinin other öğelerinin öğelerine yaklaşık olarak eşit olup olmadığını gösteren Boole değerlerinin tensörünü döndürür.

self tüm öğeleri, other öğelerinin öğelerine yaklaşık olarak eşitse true döndürür.

Bu tensör için çapraz çoğaltma toplamı çalıştırır. Toplama katılan diğer cihazların her birinde aynı çapraz kopya toplamının gerçekleşmesi gerekir.

Bir Bool tensöründen eleman bazında türde dönüşüm gerçekleştirin.

Başka bir Tensor öğe bazında dönüşüm gerçekleştirin.

Tüm skalerlerin sıfıra ayarlandığı bir tensör oluşturur.

Tüm skalerlerin bire ayarlandığı bir tensör oluşturur.

Sağlanan tensörle aynı şekle ve türe sahip, tüm skalerlerin sıfıra ayarlandığı bir tensör oluşturur.

Tüm skalerlerin, sağlanan tensörle aynı şekle ve türe sahip bir tensöre ayarlandığı bir tensör oluşturur.

Belirtilen miktara göre adım adım ilerleyerek, başlangıç ​​değerinden bitiş değerine kadar olan ancak bu değeri içermeyen bir diziyi temsil eden 1 boyutlu bir tensör oluşturur.

Belirtilen miktara göre adım adım ilerleyerek, başlangıç ​​değerinden bitiş değerine kadar olan ancak bu değeri içermeyen bir diziyi temsil eden 1 boyutlu bir tensör oluşturur.

Verilen endekslerde bir sıcak tensör oluşturur. indices temsil edilen konumlar Değer onValue değer alır (varsayılan olarak 1 ), diğer tüm konumlar offValue değer alır (varsayılan olarak 0 ). Giriş indices n dereceli ise, yeni tensör n+1 sırasına sahip olacaktır. Yeni eksen, boyut axis oluşturulur (varsayılan olarak yeni eksen sona eklenir).

indices bir skaler ise, yeni tensörün şekli uzunluk depth bir vektörü olacaktır.

indices uzunluk features bir vektörüyse, çıktı şekli şu şekilde olacaktır: özellikler x derinlik, eğer eksen == -1 ise derinlik x özellikler, eğer eksen == 0 ise

indices [batch, features] şeklinde bir matris (toplu) ise, çıktı şekli şu şekilde olacaktır: toplu iş x özellikler x derinlik, if eksen == -1 toplu iş x derinlik x özellikler, eğer eksen == 1 derinlik x toplu x özellikler , eğer eksen == 0 ise

Belirtilen sayıda değer oluşturmak için eşit aralıklarla yerleştirilmiş, başlangıç ​​değerinden bitiş değerine kadar ve bu değer dahil olmak üzere bir diziyi temsil eden 1 boyutlu bir tensör oluşturur.

Belirtilen sayıda değer oluşturmak için eşit aralıklarla yerleştirilmiş, başlangıç ​​değerinden bitiş değerine kadar ve bu değer dahil olmak üzere bir diziyi temsil eden 1 boyutlu bir tensör oluşturur.

lowerBound ve upperBound arasındaki tekdüze bir dağılımdan skaler değerleri rastgele örnekleyerek, belirtilen şekle sahip bir tensör oluşturur.

lowerBound ve upperBound arasındaki tekdüze bir dağılımdan skaler değerleri rastgele örnekleyerek, belirtilen şekle sahip bir tensör oluşturur.

Normal dağılımdan skaler değerleri rastgele örnekleyerek belirtilen şekle sahip bir tensör oluşturur.

Kesilmiş bir Normal dağılımdan skaler değerleri rastgele örnekleyerek belirtilen şekle sahip bir tensör oluşturur.

Kategorik bir dağılımdan örnekler çizerek bir tensör oluşturur.

Glorot (Xavier) tek tip başlatma gerçekleştirerek belirtilen şekle sahip bir tensör oluşturur.

Varsayılan rastgele sayı üreteci tarafından oluşturulan -limit ve limit arasındaki tekdüze bir dağılımdan rastgele örnekler çeker; burada limit sqrt(6 / (fanIn + fanOut)) 'tır ve fanIn / fanOut , giriş ve çıkış özelliklerinin sayısını alıcı değerle çarparak temsil eder. alan boyutu.

Referans: "Derin ileri beslemeli sinir ağlarını eğitmenin zorluğunu anlama"

Glorot (Xavier) normal başlatma işlemini gerçekleştirerek belirtilen şekle sahip bir tensör oluşturur.

Varsayılan rastgele sayı üreteci tarafından oluşturulan standart sapma sqrt(2 / (fanIn + fanOut)) ile 0 merkezli kesik normal dağılımdan rastgele örnekler çeker; burada fanIn / fanOut , giriş ve çıkış özelliklerinin sayısının alıcı alanla çarpımını temsil eder. boyut.

Referans: "Derin ileri beslemeli sinir ağlarını eğitmenin zorluğunu anlama"

He (Kaiming) düzgün başlatma işlemini gerçekleştirerek belirtilen şekle sahip bir tensör oluşturur.

Varsayılan rastgele sayı üreteci tarafından oluşturulan -limit ve limit arasındaki tekdüze bir dağılımdan rastgele örnekler çeker; burada limit sqrt(6 / fanIn) dir ve fanIn , giriş özelliklerinin sayısının alıcı alan boyutuyla çarpımını temsil eder.

Referans: "Doğrultucuları Derinlemesine İncelemek: ImageNet Sınıflandırmasında İnsan Seviyesindeki Performansı Aşmak"

He (Kaiming) normal başlatmasını gerçekleştirerek belirtilen şekle sahip bir tensör oluşturur.

Varsayılan rastgele sayı üreteci tarafından oluşturulan standart sapma sqrt(2 / fanIn)) ile 0 merkezli kesik normal dağılımdan rastgele örnekler çeker; burada fanIn , giriş özelliklerinin sayısının alıcı alan boyutuyla çarpımını temsil eder.

Referans: "Doğrultucuları Derinlemesine İncelemek: ImageNet Sınıflandırmasında İnsan Seviyesindeki Performansı Aşmak"

LeCun tek tip başlatma işlemini gerçekleştirerek belirtilen şekle sahip bir tensör oluşturur.

Varsayılan rastgele sayı üreteci tarafından oluşturulan -limit ve limit arasındaki tekdüze bir dağılımdan rastgele örnekler çeker; burada limit sqrt(3 / fanIn) dir ve fanIn , giriş özelliklerinin sayısının alıcı alan boyutuyla çarpımını temsil eder.

Referans: “Verimli BackProp”

LeCun normal başlatma işlemini gerçekleştirerek belirtilen şekle sahip bir tensör oluşturur.

Varsayılan rastgele sayı üreteci tarafından oluşturulan standart sapma sqrt(1 / fanIn) ile 0 merkezli kesik normal dağılımdan rastgele örnekler çeker; burada fanIn , giriş özelliklerinin sayısının alıcı alan boyutuyla çarpımını temsil eder.

Referans: “Verimli BackProp”

Dik bir matris veya tensör oluşturur.

Başlatılacak tensörün şekli iki boyutlu ise, normal dağılımdan çizilen rastgele sayılar matrisinin QR ayrışımından elde edilen dik bir matris ile başlatılır. Matrisin sütunlardan daha az satırı varsa çıktıda dik satırlar olur. Aksi takdirde çıktıda dik sütunlar bulunur.

Başlatılacak tensörün şekli iki boyutludan fazlaysa, şekil [shape[0] * ... * shape[rank - 2], shape[rank - 1]] matrisi başlatılır. Matris daha sonra istenen şekle sahip bir tensör verecek şekilde yeniden şekillendirilir.

[Toplu] tensörün [toplu] köşegen kısmını döndürür. [..., M, N] şeklinin tensör örneği için çıktı, [..., K] şeklinde bir tensördür; burada K eşittir min(N, M) .

Örneğin:

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

[Toplu] bir diyagonal dizi oluşturur. [..., M] şeklinin tensör örneği için çıktı, [..., M, M] şeklinin bir tensörüdür.

Örneğin:

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

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

self isteğe bağlı olarak toplu bir matris olduğu göz önüne alındığında, self yeni çapraz değerlerle döndürür.

Döndürülen tensör, diagonal değerlerin üzerine yazılan en içteki matrislerin belirtilen köşegenleri dışında self ile aynı şekil ve değerlere sahiptir.

Parametre diyagonal: Yeni diyagonal değerleri temsil eden rütbe rank - 1 olan bir tensör.

Merkezi bant sınırlarıyla tanımlanan en içteki tensörün bir kopyasını döndürür. Çıktı [..., :, :] örneğiyle aynı şekle sahip bir tensördür.

Örneğin:

// '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]]

Tensör matmul(q, r) eşit olacak şekilde, iç ortogonal matrisleri q olan bir tensör ve iç üst üçgen matrisleri r olan bir tensör olan tensördeki her bir iç matrisin QR ayrıştırmasını döndürür.

self isteğe bağlı olarak toplu işlenen bir matris olduğu göz önüne alındığında, self tekil değer ayrışmasını döndürür.

İsteğe bağlı olarak toplu hale getirilen self matrisinin tekil değer ayrışımı (SVD), s , u ve v değerleridir, öyle ki:

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

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

x karekökü.

Gerçek türler için x negatifse sonuç .nan olur. Karmaşık türler için negatif gerçek eksende bir dal kesimi vardır.

x kosinüsü, radyan cinsinden bir açı olarak yorumlanır.

x sinüsü, radyan cinsinden bir açı olarak yorumlanır.

x tanjantı, radyan cinsinden bir açı olarak yorumlanır.

Radyan cinsinden x ters kosinüsü.

Radyan cinsinden x ters sinüsü.

Radyan cinsinden x ters tanjantı.

x hiperbolik kosinüsü.

x hiperbolik sinüsü.

x hiperbolik tanjantı.