QTensor 模块¶

VQNet量子机器学习所使用的数据结构QTensor的python接口介绍。QTensor支持常用的多维张量的操作，例如创建函数，数学函数，逻辑函数，矩阵变换等。

QTensor’s 函数与属性¶

init¶

QTensor.__init__(data, requires_grad=False, nodes=None, device=0, dtype=None, name='')¶

具有动态计算图构造和自动微分的张量。

Parameters:

data – 输入数据，可以是 _core.Tensor 或numpy 数组。
requires_grad – 是否应该跟踪张量的梯度，默认为 False。
nodes – 计算图中的后继者列表，默认为无。
device – 储存在哪个设备上，默认0，在CPU上。
dtype – 参数的数据类型，defaults：None，使用默认数据类型:kfloat32,代表32位浮点数。
name – QTensor的名字,default:””。

Returns:

输出 QTensor。

Note

QTensor 内部数据类型dtype支持kbool,kuint8,kint8,kint16,kint32,kint64,kfloat32,kfloat64,kcomplex64,kcomplex128.

分别代表C++的 bool,uint8_t,int8_t,int16_t,int32_t,int64_t,float,double,complex<float>,complex<double>.

Example:

from pyvqnet.tensor import QTensor
from pyvqnet.dtype import *
import numpy as np

t1 = QTensor(np.ones([2,3]))
t2 =  QTensor([2,3,4j,5])
t3 =  QTensor([[[2,3,4,5],[2,3,4,5]]],dtype=kbool)
print(t1)
print(t2)
print(t3)
# [[1. 1. 1.]
#  [1. 1. 1.]]
# [2.+0.j 3.+0.j 0.+4.j 5.+0.j]
# [[[ True  True  True  True]
#   [ True  True  True  True]]]

ndim¶

QTensor.ndim¶

返回张量的维度的个数。

Returns:: 张量的维度的个数。

Example:

from pyvqnet.tensor import QTensor

a = QTensor([2, 3, 4, 5], requires_grad=True)
print(a.ndim)

# 1

shape¶

QTensor.shape¶

返回张量的维度

Returns:: 一个列表存有张量的维度

Example:

from pyvqnet.tensor import QTensor

a = QTensor([2, 3, 4, 5], requires_grad=True)
print(a.shape)

# [4]

size¶

QTensor.size¶

返回张量的元素个数。

Returns:: 张量的元素个数。

Example:

from pyvqnet.tensor import QTensor

a = QTensor([2, 3, 4, 5], requires_grad=True)
print(a.size)

# 4

numel¶

QTensor.numel()¶

返回张量的元素个数。

Returns:: 张量的元素个数。

Example:

from pyvqnet.tensor import QTensor

a = QTensor([2, 3, 4, 5], requires_grad=True)
print(a.numel())

# 4

dtype¶

QTensor.dtype¶

返回张量的数据类型。

QTensor 内部数据类型dtype支持kbool = 0, kuint8 = 1, kint8 = 2,kint16 = 3,kint32 = 4,kint64 = 5, kfloat32 = 6, kfloat64 = 7, kcomplex64 = 8, kcomplex128 = 9 .

Returns:: 张量的数据类型。

Example:

from pyvqnet.tensor import QTensor

a = QTensor([2, 3, 4, 5])
print(a.dtype)
# 4

zero_grad¶

QTensor.zero_grad()¶

将张量的梯度设置为零。将在优化过程中被优化器使用。

Returns:: 无。

Example:

from pyvqnet.tensor import QTensor
t3 = QTensor([2, 3, 4, 5], requires_grad=True)
t3.zero_grad()
print(t3.grad)
# [0., 0., 0., 0.]

backward¶

QTensor.backward(grad=None)¶

利用反向传播算法，计算当前张量所在的计算图中的所有需计算梯度的张量的梯度。

Returns:: 无

Example:

from pyvqnet.tensor import QTensor

target = QTensor([[0, 0, 1, 0, 0, 0, 0, 0, 0, 0.2]], requires_grad=True)
y = 2*target + 3
y.backward()
print(target.grad)
#[[2. 2. 2. 2. 2. 2. 2. 2. 2. 2.]]

to_numpy¶

QTensor.to_numpy()¶

将张量的数据拷贝到一个numpy.ndarray里面。

Returns:: 一个新的 numpy.ndarray 包含 QTensor 数据

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor
t3 = QTensor([2, 3, 4, 5], requires_grad=True)
t4 = t3.to_numpy()
print(t4)

# [2. 3. 4. 5.]

item¶

QTensor.item()¶

从只包含单个元素的 QTensor 返回唯一的元素。

Returns:: 元素值

Example:

from pyvqnet.tensor import tensor

t = tensor.ones([1])
print(t.item())

# 1.0

argmax¶

QTensor.argmax(*kargs)¶

返回输入 QTensor 中所有元素的最大值的索引，或返回 QTensor 按某一维度的最大值的索引。

Parameters:

dim – 计算argmax的轴，只接受单个维度。如果 dim == None，则返回输入张量中所有元素的最大值的索引。有效的 dim 范围是 [-R, R)，其中 R 是输入的 ndim。当 dim < 0 时，它的工作方式与 dim + R 相同。
keepdims – 输出 QTensor 是否保留了最大值索引操作的轴，默认是False。

Returns:

输入 QTensor 中最大值的索引。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor
a = QTensor([[1.3398, 0.2663, -0.2686, 0.2450],
            [-0.7401, -0.8805, -0.3402, -1.1936],
            [0.4907, -1.3948, -1.0691, -0.3132],
            [-1.6092, 0.5419, -0.2993, 0.3195]])
flag = a.argmax()
print(flag)

# [0.]

flag_0 = a.argmax([0], True)
print(flag_0)

# [
# [0., 3., 0., 3.]
# ]

flag_1 = a.argmax([1], True)
print(flag_1)

# [
# [0.],
# [2.],
# [0.],
# [1.]
# ]

argmin¶

QTensor.argmin(*kargs)¶

返回输入 QTensor 中所有元素的最小值的索引，或返回 QTensor 按某一维度的最小值的索引。

Parameters:

dim – 计算argmax的轴，只接受单个维度。如果 dim == None，则返回输入张量中所有元素的最小值的索引。有效的 dim 范围是 [-R, R)，其中 R 是输入的 ndim。当 dim < 0 时，它的工作方式与 dim + R 相同。
keepdims – 输出 QTensor 是否保留了最小值索引操作的轴，默认是False。

Returns:

输入 QTensor 中最小值的索引。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor
a = QTensor([[1.3398, 0.2663, -0.2686, 0.2450],
            [-0.7401, -0.8805, -0.3402, -1.1936],
            [0.4907, -1.3948, -1.0691, -0.3132],
            [-1.6092, 0.5419, -0.2993, 0.3195]])
flag = a.argmin()
print(flag)

# [12.]

flag_0 = a.argmin([0], True)
print(flag_0)

# [
# [3., 2., 2., 1.]
# ]

flag_1 = a.argmin([1], False)
print(flag_1)

# [2., 3., 1., 0.]

fill_¶

QTensor.fill_(v)¶

为当前张量填充特定值，该函数改变原张量的内部数据。

Parameters:: v – 填充值。
Returns:: 无。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor
shape = [2, 3]
value = 42
t = tensor.zeros(shape)
t.fill_(value)
print(t)

# [
# [42., 42., 42.],
# [42., 42., 42.]
# ]

all¶

QTensor.all()¶

判断张量内数据是否全为全零。

Returns:: 返回True，如果全为非0;否则返回False。

Example:

from pyvqnet.tensor import tensor

shape = [2, 3]
t = tensor.zeros(shape)
t.fill_(1.0)
flag = t.all()
print(flag)

# True

any¶

QTensor.any()¶

判断张量内数据是否有任意元素不为0。

Returns:: 返回True，如果有任意元素不为0;否则返回False。

Example:

from pyvqnet.tensor import tensor

shape = [2, 3]
t = tensor.ones(shape)
t.fill_(1.0)
flag = t.any()
print(flag)

# True

fill_rand_binary_¶

QTensor.fill_rand_binary_(v=0.5)¶

用从二项分布中随机采样的值填充 QTensor 。

如果二项分布后随机生成的数据大于二值化阈值 v ，则设置 QTensor 对应位置的元素值为1，否则为0。

Parameters:: v – 二值化阈值，默认0.5。
Returns:: 无。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor
import numpy as np
a = np.arange(6).reshape(2, 3).astype(np.float32)
t = QTensor(a)
t.fill_rand_binary_(2)
print(t)

# [
# [1., 1., 1.],
# [1., 1., 1.]
# ]

fill_rand_signed_uniform_¶

QTensor.fill_rand_signed_uniform_(v=1)¶

用从有符号均匀分布中随机采样的值填充 QTensor 。用缩放因子 v 对生成的随机采样的值进行缩放。

Parameters:: v – 缩放因子，默认1。
Returns:: 无。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor
import numpy as np
a = np.arange(6).reshape(2, 3).astype(np.float32)
t = QTensor(a)
value = 42

t.fill_rand_signed_uniform_(value)
print(t)

# [
# [12.8852444, 4.4327269, 4.8489408],
# [-24.3309803, 26.8036957, 39.4903450]
# ]

fill_rand_uniform_¶

QTensor.fill_rand_uniform_(v=1)¶

用从均匀分布中随机采样的值填充 QTensor 。用缩放因子 v 对生成的随机采样的值进行缩放。

Parameters:: v – 缩放因子，默认1。
Returns:: 无。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor
import numpy as np
a = np.arange(6).reshape(2, 3).astype(np.float32)
t = QTensor(a)
value = 42
t.fill_rand_uniform_(value)
print(t)

# [
# [20.0404720, 14.4064417, 40.2955666],
# [5.5692234, 26.2520485, 35.3326073]
# ]

fill_rand_normal_¶

QTensor.fill_rand_normal_(m=0, s=1, fast_math=True)¶

生成均值为 m 和方差 s 产生正态分布元素，并填充到张量中。

Parameters:

m – 均值，默认0。
s – 方差，默认1。
fast_math – 是否使用快速方法产生高斯分布，默认True。

Returns:

无。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor
import numpy as np
a = np.arange(6).reshape(2, 3).astype(np.float32)
t = QTensor(a)
t.fill_rand_normal_(2, 10, True)
print(t)

# [
# [-10.4446531    4.9158096   2.9204607],
# [ -7.2682705   8.1267328    6.2758742 ],
# ]

QTensor.transpose¶

QTensor.transpose(new_dims=None)¶

反转张量的轴。如果 new_dims = None，则反转所有轴。

Parameters:: new_dims – 列表形式储存的新的轴顺序。
Returns:: 新的 QTensor 。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor
import numpy as np
R, C = 3, 4
a = np.arange(R * C).reshape([2, 2, 3]).astype(np.float32)
t = QTensor(a)
rlt = t.transpose([2,0,1])
print(rlt)
# [
# [[0., 3.],
#  [6., 9.]],
# [[1., 4.],
#  [7., 10.]],
# [[2., 5.],
#  [8., 11.]]
# ]

transpose_¶

QTensor.transpose_(new_dims=None)¶

反转张量的轴。如果 new_dims = None，则反转所有轴。该接口改变当前张量自己的轴顺序。

Parameters:: new_dims – 列表形式储存的新的轴顺序。
Returns:: 无。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor
import numpy as np
R, C = 3, 4
a = np.arange(R * C).reshape([2, 2, 3]).astype(np.float32)
t = QTensor(a)
t.transpose_([2, 0, 1])
print(t)

# [
# [[0., 3.],
#  [6., 9.]],
# [[1., 4.],
#  [7., 10.]],
# [[2., 5.],
#  [8., 11.]]
# ]

QTensor.reshape¶

QTensor.reshape(new_shape)¶

改变 QTensor 的形状，返回一个新的张量。

Parameters:: new_shape – 新的形状。
Returns:: 新形状的 QTensor 。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor
import numpy as np
R, C = 3, 4
a = np.arange(R * C).reshape(R, C).astype(np.float32)
t = QTensor(a)
reshape_t = t.reshape([C, R])
print(reshape_t)
# [
# [0., 1., 2.],
# [3., 4., 5.],
# [6., 7., 8.],
# [9., 10., 11.]
# ]

reshape_¶

QTensor.reshape_(new_shape)¶

改变当前 QTensor 的形状。

Parameters:: new_shape – 新的形状。
Returns:: 无。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor
import numpy as np
R, C = 3, 4
a = np.arange(R * C).reshape(R, C).astype(np.float32)
t = QTensor(a)
t.reshape_([C, R])
print(t)

# [
# [0., 1., 2.],
# [3., 4., 5.],
# [6., 7., 8.],
# [9., 10., 11.]
# ]

getdata¶

QTensor.getdata()¶

返回一个numpy.ndarray 储存当前 QTensor 的数据。

Returns:: 包含当前 QTensor 数据的numpy.ndarray。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor
t = tensor.ones([3, 4])
a = t.getdata()
print(a)

# [[1. 1. 1. 1.]
#  [1. 1. 1. 1.]
#  [1. 1. 1. 1.]]

getitem¶

QTensor.__getitem__()¶

支持对 QTensor 使用切片索引，下标，或使用 QTensor 作为高级索引访问输入。该操作返回一个新的 QTensor 。

通过冒号 : 分隔切片参数 start:stop:step 来进行切片操作，其中 start、stop、step 均可缺省。

针对1-D QTensor ，则仅有单个轴上的索引或切片。

针对2-D及以上的 QTensor ，则会有多个轴上的索引或切片。

使用 QTensor 作为索引，则进行高级索引，请参考numpy中高级索引部分。

若作为索引的 QTensor 为逻辑运算的结果，则进行布尔数组索引。

Note

a[3][4][1] 形式的索引暂不支持, 使用 a[3,4,1] 形式代替。 Ellipsis … 暂不支持。

Parameters:: item – 以 pyslice , 整数, QTensor 构成切片索引。
Returns:: 新的 QTensor。

Example:

from pyvqnet.tensor import tensor, QTensor
aaa = tensor.arange(1, 61)
aaa.reshape_([4, 5, 3])
print(aaa[0:2, 3, :2])
# [
# [10., 11.],
#  [25., 26.]
# ]
print(aaa[3, 4, 1])
#[59.]
print(aaa[:, 2, :])
# [
# [7., 8., 9.],
#  [22., 23., 24.],
#  [37., 38., 39.],
#  [52., 53., 54.]
# ]
print(aaa[2])
# [
# [31., 32., 33.],
#  [34., 35., 36.],
#  [37., 38., 39.],
#  [40., 41., 42.],
#  [43., 44., 45.]
# ]
print(aaa[0:2, ::3, 2:])
# [
# [[3.],
#  [12.]],
# [[18.],
#  [27.]]
# ]
a = tensor.ones([2, 2])
b = QTensor([[1, 1], [0, 1]])
b = b > 0
c = a[b]
print(c)
#[1., 1., 1.]
tt = tensor.arange(1, 56 * 2 * 4 * 4 + 1).reshape([2, 8, 4, 7, 4])
tt.requires_grad = True
index_sample1 = tensor.arange(0, 3).reshape([3, 1])
index_sample2 = QTensor([0, 1, 0, 2, 3, 2, 2, 3, 3]).reshape([3, 3])
gg = tt[:, index_sample1, 3:, index_sample2, 2:]
print(gg)
# [
# [[[[87., 88.]],
# [[983., 984.]]],
# [[[91., 92.]],
# [[987., 988.]]],
# [[[87., 88.]],
# [[983., 984.]]]],
# [[[[207., 208.]],
# [[1103., 1104.]]],
# [[[211., 212.]],
# [[1107., 1108.]]],
# [[[207., 208.]],
# [[1103., 1104.]]]],
# [[[[319., 320.]],
# [[1215., 1216.]]],
# [[[323., 324.]],
# [[1219., 1220.]]],
# [[[323., 324.]],
# [[1219., 1220.]]]]
# ]

setitem¶

QTensor.__setitem__()¶

支持对 QTensor 使用切片索引，下标，或使用 QTensor 作为高级索引修改输入。该操作对输入原地进行修改。

通过冒号 : 分隔切片参数 start:stop:step 来进行切片操作，其中 start、stop、step 均可缺省。

针对1-D QTensor，则仅有单个轴上的索引或切片。

针对2-D及以上的 QTensor ，则会有多个轴上的索引或切片。

使用 QTensor 作为索引，则进行高级索引，请参考numpy中高级索引部分。

若作为索引的 QTensor 为逻辑运算的结果，则进行布尔数组索引。

Note

a[3][4][1] 形式的索引暂不支持, 使用 a[3,4,1] 形式代替。 Ellipsis … 暂不支持。

Parameters:: item – 以 pyslice , 整数, QTensor 构成切片索引。
Returns:: 无。

Example:

from pyvqnet.tensor import tensor
aaa = tensor.arange(1, 61)
aaa.reshape_([4, 5, 3])
vqnet_a2 = aaa[3, 4, 1]
aaa[3, 4, 1] = tensor.arange(10001,
                                10001 + vqnet_a2.size).reshape(vqnet_a2.shape)
print(aaa)
# [
# [[1., 2., 3.],
#  [4., 5., 6.],
#  [7., 8., 9.],
#  [10., 11., 12.],
#  [13., 14., 15.]],
# [[16., 17., 18.],
#  [19., 20., 21.],
#  [22., 23., 24.],
#  [25., 26., 27.],
#  [28., 29., 30.]],
# [[31., 32., 33.],
#  [34., 35., 36.],
#  [37., 38., 39.],
#  [40., 41., 42.],
#  [43., 44., 45.]],
# [[46., 47., 48.],
#  [49., 50., 51.],
#  [52., 53., 54.],
#  [55., 56., 57.],
#  [58., 10001., 60.]]
# ]
aaa = tensor.arange(1, 61)
aaa.reshape_([4, 5, 3])
vqnet_a3 = aaa[:, 2, :]
aaa[:, 2, :] = tensor.arange(10001,
                                10001 + vqnet_a3.size).reshape(vqnet_a3.shape)
print(aaa)
# [
# [[1., 2., 3.],
#  [4., 5., 6.],
#  [10001., 10002., 10003.],
#  [10., 11., 12.],
#  [13., 14., 15.]],
# [[16., 17., 18.],
#  [19., 20., 21.],
#  [10004., 10005., 10006.],
#  [25., 26., 27.],
#  [28., 29., 30.]],
# [[31., 32., 33.],
#  [34., 35., 36.],
#  [10007., 10008., 10009.],
#  [40., 41., 42.],
#  [43., 44., 45.]],
# [[46., 47., 48.],
#  [49., 50., 51.],
#  [10010., 10011., 10012.],
#  [55., 56., 57.],
#  [58., 59., 60.]]
# ]
aaa = tensor.arange(1, 61)
aaa.reshape_([4, 5, 3])
vqnet_a4 = aaa[2, :]
aaa[2, :] = tensor.arange(10001,
                            10001 + vqnet_a4.size).reshape(vqnet_a4.shape)
print(aaa)
# [
# [[1., 2., 3.],
#  [4., 5., 6.],
#  [7., 8., 9.],
#  [10., 11., 12.],
#  [13., 14., 15.]],
# [[16., 17., 18.],
#  [19., 20., 21.],
#  [22., 23., 24.],
#  [25., 26., 27.],
#  [28., 29., 30.]],
# [[10001., 10002., 10003.],
#  [10004., 10005., 10006.],
#  [10007., 10008., 10009.],
#  [10010., 10011., 10012.],
#  [10013., 10014., 10015.]],
# [[46., 47., 48.],
#  [49., 50., 51.],
#  [52., 53., 54.],
#  [55., 56., 57.],
#  [58., 59., 60.]]
# ]
aaa = tensor.arange(1, 61)
aaa.reshape_([4, 5, 3])
vqnet_a5 = aaa[0:2, ::2, 1:2]
aaa[0:2, ::2,
    1:2] = tensor.arange(10001,
                            10001 + vqnet_a5.size).reshape(vqnet_a5.shape)
print(aaa)
# [
# [[1., 10001., 3.],
#  [4., 5., 6.],
#  [7., 10002., 9.],
#  [10., 11., 12.],
#  [13., 10003., 15.]],
# [[16., 10004., 18.],
#  [19., 20., 21.],
#  [22., 10005., 24.],
#  [25., 26., 27.],
#  [28., 10006., 30.]],
# [[31., 32., 33.],
#  [34., 35., 36.],
#  [37., 38., 39.],
#  [40., 41., 42.],
#  [43., 44., 45.]],
# [[46., 47., 48.],
#  [49., 50., 51.],
#  [52., 53., 54.],
#  [55., 56., 57.],
#  [58., 59., 60.]]
# ]
a = tensor.ones([2, 2])
b = tensor.QTensor([[1, 1], [0, 1]])
b = b > 0
x = tensor.QTensor([1001, 2001, 3001])

a[b] = x
print(a)
# [
# [1001., 2001.],
#  [1., 3001.]
# ]

创建函数¶

ones¶

pyvqnet.tensor.ones(shape, device=0, dtype-None)¶

创建元素全一的 QTensor 。

Parameters:

shape – 数据的形状。
device – 储存在哪个设备上，默认0，在CPU上。
dtype – 参数的数据类型，defaults：None，使用默认数据类型:kfloat32,代表32位浮点数。

Returns:

返回新的 QTensor 。

Example:

from pyvqnet.tensor import tensor

x = tensor.ones([2, 3])
print(x)

# [
# [1., 1., 1.],
# [1., 1., 1.]
# ]

ones_like¶

pyvqnet.tensor.ones_like(t: pyvqnet.tensor.QTensor, device=0, dtype=None)¶

创建元素全一的 QTensor ,形状和输入的 QTensor 一样。

Parameters:

t – 输入 QTensor 。
device – 储存在哪个设备上，默认0，在CPU上。
dtype – 参数的数据类型，defaults：None,跟输入的dtype一样。

Returns:

新的全一 QTensor 。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor
t = QTensor([1, 2, 3])
x = tensor.ones_like(t)
print(x)

# [1., 1., 1.]

full¶

pyvqnet.tensor.full(shape, value, device: int = 0, dtype=None)¶

创建一个指定形状的 QTensor 并用特定值填充它。

Parameters:

shape – 要创建的张量形状。
value – 填充的值。
device – 储存在哪个设备上，默认0，在CPU上。
dtype – 参数的数据类型，defaults：None，使用默认数据类型:kfloat32,代表32位浮点数。

Returns:

输出新 QTensor 。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor
shape = [2, 3]
value = 42
t = tensor.full(shape, value)
print(t)
# [
# [42., 42., 42.],
# [42., 42., 42.]
# ]

full_like¶

pyvqnet.tensor.full_like(t, value, device: int = 0, dtype=None)¶

创建一个形状和输入一样的 QTensor,所有元素填充 value 。

Parameters:

t – 输入 QTensor 。
value – 填充 QTensor 的值。
device – 储存在哪个设备上，默认0，在CPU上。
dtype – 参数的数据类型，defaults：None,跟输入的dtype一样。

Returns:

输出 QTensor。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor
a = tensor.randu([3,5])
value = 42
t = tensor.full_like(a, value)
print(t)
# [
# [42., 42., 42., 42., 42.],
# [42., 42., 42., 42., 42.],
# [42., 42., 42., 42., 42.]
# ]

zeros¶

pyvqnet.tensor.zeros(shape, device: int = 0, dtype=None)¶

创建输入形状大小的全零 QTensor 。

Parameters:

shape – 输入形状。
device – 储存在哪个设备上，默认0，在CPU上。
dtype – 参数的数据类型，defaults：None，使用默认数据类型:kfloat32,代表32位浮点数。

Returns:

输出 QTensor 。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor
t = tensor.zeros([2, 3, 4])
print(t)
# [
# [[0., 0., 0., 0.],
#  [0., 0., 0., 0.],
#  [0., 0., 0., 0.]],
# [[0., 0., 0., 0.],
#  [0., 0., 0., 0.],
#  [0., 0., 0., 0.]]
# ]

zeros_like¶

pyvqnet.tensor.zeros_like(t: pyvqnet.tensor.QTensor, device: int = 0, dtype=None)¶

创建一个形状和输入一样的 QTensor,所有元素为0 。

Parameters:

t – 输入参考 QTensor 。
device – 储存在哪个设备上，默认0，在CPU上。
dtype – 参数的数据类型，defaults：None,跟输入的dtype一样。

Returns:

输出 QTensor 。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor
t = QTensor([1, 2, 3])
x = tensor.zeros_like(t)
print(x)

# [0., 0., 0.]

arange¶

pyvqnet.tensor.arange(start, end, step=1, device: int = 0, dtype=None, requires_grad=False)¶

创建一个在给定间隔内具有均匀间隔值的一维 QTensor 。

Parameters:

start – 间隔开始。
end – 间隔结束。
step – 值之间的间距，默认为1。
device – 要使用的设备，默认 = 0 ，使用 CPU 设备。
dtype – 参数的数据类型，defaults：None，使用默认数据类型:kfloat32,代表32位浮点数。
requires_grad – 是否计算梯度，默认为False。

Returns:

输出 QTensor 。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor
t = tensor.arange(2, 30, 4)
print(t)

# [ 2.,  6., 10., 14., 18., 22., 26.]

linspace¶

pyvqnet.tensor.linspace(start, end, num, device: int = 0, dtype=None, requires_grad=False)¶

创建一维 QTensor ，其中的元素为区间 start 和 end 上均匀间隔的共 num 个值。

Parameters:

start – 间隔开始。
end – 间隔结束。
num – 间隔的个数。
device – 要使用的设备，默认 = 0 ，使用 CPU 设备。
dtype – 参数的数据类型，defaults：None，使用默认数据类型:kfloat32,代表32位浮点数。
requires_grad – 是否计算梯度，默认为False。

Returns:

输出 QTensor 。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor
start, stop, num = -2.5, 10, 10
t = tensor.linspace(start, stop, num)
print(t)
#[-2.5000000, -1.1111112, 0.2777777, 1.6666665, 3.0555553, 4.4444442, 5.8333330, 7.2222219, 8.6111107, 10.]

logspace¶

pyvqnet.tensor.logspace(start, end, num, base, device: int = 0, dtype=None, requires_grad)¶

在对数刻度上创建具有均匀间隔值的一维 QTensor。

Parameters:

start – base ** start 是起始值
end – base ** end 是序列的最终值
num – 要生成的样本数
base – 对数刻度的基数
device – 要使用的设备，默认 = 0 ，使用 CPU 设备。
dtype – 参数的数据类型，defaults：None，使用默认数据类型:kfloat32,代表32位浮点数。
requires_grad – 是否计算梯度，默认为False。

Returns:

输出 QTensor 。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor
start, stop, steps, base = 0.1, 1.0, 5, 10.0
t = tensor.logspace(start, stop, steps, base)
print(t)

# [1.2589254, 2.1134889, 3.5481336, 5.9566211, 10.]

eye¶

pyvqnet.tensor.eye(size, offset: int = 0, device: int = 0, dtype=None)¶

创建一个 size x size 的 QTensor，对角线上为 1，其他地方为 0。

Parameters:

size – 要创建的（正方形）QTensor 的大小。
offset – 对角线的索引：0（默认）表示主对角线，正值表示上对角线，负值表示下对角线。
device – 要使用的设备，默认 = 0 ，使用 CPU 设备。
dtype – 参数的数据类型，defaults：None，使用默认数据类型:kfloat32,代表32位浮点数。

Returns:

输出 QTensor 。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor
size = 3
t = tensor.eye(size)
print(t)

# [
# [1., 0., 0.],
# [0., 1., 0.],
# [0., 0., 1.]
# ]

diag¶

pyvqnet.tensor.diag(t, k: int = 0, requires_grad=False)¶

构造对角矩阵。

输入一个 2-D QTensor，则返回一个与此相同的新张量，除了选定对角线中的元素以外的元素设置为零。

Parameters:

t – 输入 QTensor。
k – 偏移量（主对角线为 0，正数为向上偏移，负数为向下偏移），默认为0。
requires_grad – 是否计算梯度，默认为False。

Returns:

输出 QTensor。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor
import numpy as np
a = np.arange(16).reshape(4, 4).astype(np.float32)
t = QTensor(a)
for k in range(-3, 4):
    u = tensor.diag(t,k=k)
    print(u)


# [[ 0.  0.  0.  0.]
#  [ 0.  0.  0.  0.]
#  [ 0.  0.  0.  0.]
#  [12.  0.  0.  0.]]
# [[ 0.  0.  0.  0.]
#  [ 0.  0.  0.  0.]
#  [ 8.  0.  0.  0.]
#  [ 0. 13.  0.  0.]]
# [[ 0.  0.  0.  0.]
#  [ 4.  0.  0.  0.]
#  [ 0.  9.  0.  0.]
#  [ 0.  0. 14.  0.]]
# [[ 0.  0.  0.  0.]
#  [ 0.  5.  0.  0.]
#  [ 0.  0. 10.  0.]
#  [ 0.  0.  0. 15.]]
# [[ 0.  1.  0.  0.]
#  [ 0.  0.  6.  0.]
#  [ 0.  0.  0. 11.]
#  [ 0.  0.  0.  0.]]
# [[0. 0. 2. 0.]
#  [0. 0. 0. 7.]
#  [0. 0. 0. 0.]
#  [0. 0. 0. 0.]]
# [[0. 0. 0. 3.]
#  [0. 0. 0. 0.]
#  [0. 0. 0. 0.]
#  [0. 0. 0. 0.]]

randu¶

pyvqnet.tensor.randu(shape, min=0.0, max=1.0, device: int = 0, dtype=None, requires_grad=False)¶

创建一个具有均匀分布随机值的 QTensor 。

Parameters:

shape – 要创建的 QTensor 的形状。
min – 分布的下限，默认: 0。
max – 分布的上线，默认: 1。
device – 要使用的设备，默认 = 0 ，使用 CPU 设备。
dtype – 参数的数据类型，defaults：None，使用默认数据类型:kfloat32,代表32位浮点数。
requires_grad – 是否计算梯度，默认为False。

Returns:

输出 QTensor 。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor
shape = [2, 3]
t = tensor.randu(shape)
print(t)

# [
# [0.0885886, 0.9570093, 0.8304565],
# [0.6055251, 0.8721224, 0.1927866]
# ]

randn¶

pyvqnet.tensor.randn(shape, mean=0.0, std=1.0, device: int = 0, dtype=None, requires_grad=False)¶

创建一个具有正态分布随机值的 QTensor 。

Parameters:

shape – 要创建的 QTensor 的形状。
mean – 分布的均值，默认: 0。
max – 分布的方差，默认: 1。
device – 要使用的设备，默认 = 0 ，使用 CPU 设备。
dtype – 参数的数据类型，defaults：None，使用默认数据类型:kfloat32,代表32位浮点数。
requires_grad – 是否计算梯度，默认为False。

Returns:

输出 QTensor 。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor
shape = [2, 3]
t = tensor.randn(shape)
print(t)

# [
# [-0.9529880, -0.4947567, -0.6399882],
# [-0.6987777, -0.0089036, -0.5084590]
# ]

multinomial¶

pyvqnet.tensor.multinomial(t, num_samples)¶

返回一个张量，其中每行包含 num_samples 个索引采样，来自位于张量输入的相应行中的多项式概率分布。

Parameters:

t – 输入概率分布,仅支持浮点数。
num_samples – 采样样本。

Returns:

输出采样索引

Examples:

from pyvqnet import tensor
weights = tensor.QTensor([0.1,10, 3, 1])
idx = tensor.multinomial(weights,3)
print(idx)

from pyvqnet import tensor
weights = tensor.QTensor([0,10, 3, 2.2,0.0])
idx = tensor.multinomial(weights,3)
print(idx)

# [1 0 3]
# [1 3 2]

triu¶

pyvqnet.tensor.triu(t, diagonal=0)¶

返回输入 t 的上三角矩阵，其余部分被设为0。

Parameters:

t – 输入 QTensor。
diagonal – 偏移量（主对角线为 0，正数为向上偏移，负数为向下偏移），默认=0。

Returns:

输出 QTensor。

Examples:

from pyvqnet.tensor import tensor
a = tensor.arange(1.0, 2 * 6 * 5 + 1.0).reshape([2, 6, 5])
u = tensor.triu(a, 1)
print(u)
# [
# [[0., 2., 3., 4., 5.],
#  [0., 0., 8., 9., 10.],
#  [0., 0., 0., 14., 15.],
#  [0., 0., 0., 0., 20.],
#  [0., 0., 0., 0., 0.],
#  [0., 0., 0., 0., 0.]],
# [[0., 32., 33., 34., 35.],
#  [0., 0., 38., 39., 40.],
#  [0., 0., 0., 44., 45.],
#  [0., 0., 0., 0., 50.],
#  [0., 0., 0., 0., 0.],
#  [0., 0., 0., 0., 0.]]
# ]

tril¶

pyvqnet.tensor.tril(t, diagonal=0)¶

返回输入 t 的下三角矩阵，其余部分被设为0。

Parameters:

t – 输入 QTensor。
diagonal – 偏移量（主对角线为 0，正数为向上偏移，负数为向下偏移），默认=0。

Returns:

输出 QTensor。

Examples:

from pyvqnet.tensor import tensor
a = tensor.arange(1.0, 2 * 6 * 5 + 1.0).reshape([12, 5])
u = tensor.tril(a, 1)
print(u)
# [
# [1., 2., 0., 0., 0.],
#  [6., 7., 8., 0., 0.],
#  [11., 12., 13., 14., 0.],
#  [16., 17., 18., 19., 20.],
#  [21., 22., 23., 24., 25.],
#  [26., 27., 28., 29., 30.],
#  [31., 32., 33., 34., 35.],
#  [36., 37., 38., 39., 40.],
#  [41., 42., 43., 44., 45.],
#  [46., 47., 48., 49., 50.],
#  [51., 52., 53., 54., 55.],
#  [56., 57., 58., 59., 60.]
# ]

数学函数¶

floor¶

pyvqnet.tensor.floor(t)¶

返回一个新的 QTensor，其中元素为输入 QTensor 的向下取整。

Parameters:: t – 输入 QTensor 。
Returns:: 输出 QTensor 。

Example:

from pyvqnet.tensor import tensor

t = tensor.arange(-2.0, 2.0, 0.25)
u = tensor.floor(t)
print(u)

# [-2., -2., -2., -2., -1., -1., -1., -1., 0., 0., 0., 0., 1., 1., 1., 1.]

ceil¶

pyvqnet.tensor.ceil(t)¶

返回一个新的 QTensor，其中元素为输入 QTensor 的向上取整。

Parameters:: t – 输入 QTensor 。
Returns:: 输出 QTensor 。

Example:

from pyvqnet.tensor import tensor

t = tensor.arange(-2.0, 2.0, 0.25)
u = tensor.ceil(t)
print(u)

# [-2., -1., -1., -1., -1., -0., -0., -0., 0., 1., 1., 1., 1., 2., 2., 2.]

round¶

pyvqnet.tensor.round(t)¶

返回一个新的 QTensor，其中元素为输入 QTensor 的四舍五入到最接近的整数.

Parameters:: t – 输入 QTensor 。
Returns:: 输出 QTensor 。

Example:

from pyvqnet.tensor import tensor

t = tensor.arange(-2.0, 2.0, 0.4)
u = tensor.round(t)
print(u)

# [-2., -2., -1., -1., -0., -0., 0., 1., 1., 2.]

sort¶

pyvqnet.tensor.sort(t, axis: int, descending=False, stable=True)¶

按指定轴对输入 QTensor 进行排序。

Parameters:

t – 输入 QTensor 。
axis – 排序使用的轴。
descending – 如果是True，进行降序排序，否则使用升序排序。默认为升序。
stable – 是否使用稳定排序，默认为稳定排序。

Returns:

输出 QTensor 。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor
import numpy as np
a = np.random.randint(10, size=24).reshape(3,8).astype(np.float32)
A = QTensor(a)
AA = tensor.sort(A,1,False)
print(AA)

# [
# [0., 1., 2., 4., 6., 7., 8., 8.],
# [2., 5., 5., 8., 9., 9., 9., 9.],
# [1., 2., 5., 5., 5., 6., 7., 7.]
# ]

argsort¶

pyvqnet.tensor.argsort(t, axis: int, descending=False, stable=True)¶

对输入变量沿给定轴进行排序，输出排序好的数据的相应索引。

Parameters:

t – 输入 QTensor 。
axis – 排序使用的轴。
descending – 如果是True，进行降序排序，否则使用升序排序。默认为升序。
stable – 是否使用稳定排序，默认为稳定排序。

Returns:

输出 QTensor 。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor
import numpy as np
a = np.random.randint(10, size=24).reshape(3,8).astype(np.float32)
A = QTensor(a)
bb = tensor.argsort(A,1,False)
print(bb)

# [
# [4., 0., 1., 7., 5., 3., 2., 6.],
#  [3., 0., 7., 6., 2., 1., 4., 5.],
#  [4., 7., 5., 0., 2., 1., 3., 6.]
# ]

topK¶

pyvqnet.tensor.topK(t, k, axis=-1, if_descent=True)¶

返回给定输入张量沿给定维度的 k 个最大元素。

如果 if_descent 为 False，则返回 k 个最小元素。

Parameters:

t – 输入 QTensor 。
k – 取排序后的 k 的个数。
axis – 要排序的维度。默认 = -1，最后一个轴。
if_descent – 排序使用升序还是降序，默认降序。

Returns:

新的 QTensor 。

Examples:

from pyvqnet.tensor import tensor, QTensor
x = QTensor([
    24., 13., 15., 4., 3., 8., 11., 3., 6., 15., 24., 13., 15., 3., 3., 8., 7.,
    3., 6., 11.
])
x.reshape_([2, 5, 1, 2])
x.requires_grad = True
y = tensor.topK(x, 3, 1)
print(y)
# [
# [[[24., 15.]],
# [[15., 13.]],
# [[11., 8.]]],
# [[[24., 13.]],
# [[15., 11.]],
# [[7., 8.]]]
# ]

argtopK¶

pyvqnet.tensor.argtopK(t, k, axis=-1, if_descent=True)¶

返回给定输入张量沿给定维度的 k 个最大元素的索引。

如果 if_descent 为 False，则返回 k 个最小元素的索引。

Parameters:

t – 输入 QTensor 。
k – 取排序后的 k 的个数。
axis – 要排序的维度。默认 = -1，最后一个轴。
if_descent – 排序使用升序还是降序，默认降序。

Returns:

新的 QTensor 。

Examples:

from pyvqnet.tensor import tensor, QTensor
x = QTensor([
    24., 13., 15., 4., 3., 8., 11., 3., 6., 15., 24., 13., 15., 3., 3., 8., 7.,
    3., 6., 11.
])
x.reshape_([2, 5, 1, 2])
x.requires_grad = True
y = tensor.argtopK(x, 3, 1)
print(y)
# [
# [[[0., 4.]],
# [[1., 0.]],
# [[3., 2.]]],
# [[[0., 0.]],
# [[1., 4.]],
# [[3., 2.]]]
# ]

add¶

pyvqnet.tensor.add(t1: pyvqnet.tensor.QTensor, t2: pyvqnet.tensor.QTensor)¶

两个 QTensor 按元素相加。等价于t1 + t2。

Parameters:

t1 – 第一个 QTensor 。
t2 – 第二个 QTensor 。

Returns:

输出 QTensor 。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor
t1 = QTensor([1, 2, 3])
t2 = QTensor([4, 5, 6])
x = tensor.add(t1, t2)
print(x)

# [5., 7., 9.]

sub¶

pyvqnet.tensor.sub(t1: pyvqnet.tensor.QTensor, t2: pyvqnet.tensor.QTensor)¶

两个 QTensor 按元素相减。等价于t1 - t2。

Parameters:

t1 – 第一个 QTensor 。
t2 – 第二个 QTensor 。

Returns:

输出 QTensor 。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor
t1 = QTensor([1, 2, 3])
t2 = QTensor([4, 5, 6])
x = tensor.sub(t1, t2)
print(x)

# [-3., -3., -3.]

mul¶

pyvqnet.tensor.mul(t1: pyvqnet.tensor.QTensor, t2: pyvqnet.tensor.QTensor)¶

两个 QTensor 按元素相乘。等价于t1 * t2。

Parameters:

t1 – 第一个 QTensor 。
t2 – 第二个 QTensor 。

Returns:

输出 QTensor 。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor
t1 = QTensor([1, 2, 3])
t2 = QTensor([4, 5, 6])
x = tensor.mul(t1, t2)
print(x)

# [4., 10., 18.]

divide¶

pyvqnet.tensor.divide(t1: pyvqnet.tensor.QTensor, t2: pyvqnet.tensor.QTensor)¶

两个 QTensor 按元素相除。等价于t1 / t2。

Parameters:

t1 – 第一个 QTensor 。
t2 – 第二个 QTensor 。

Returns:

输出 QTensor 。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor
t1 = QTensor([1, 2, 3])
t2 = QTensor([4, 5, 6])
x = tensor.divide(t1, t2)
print(x)

# [0.2500000, 0.4000000, 0.5000000]

sums¶

pyvqnet.tensor.sums(t: pyvqnet.tensor.QTensor, axis: Optional[int] = None, keepdims=False)¶

对输入的 QTensor 按 axis 设定的轴计算元素和，如果 axis 是None，则返回所有元素和。

Parameters:

t – 输入 QTensor 。
axis – 用于求和的轴，默认为None。
keepdims – 输出张量是否保留了减小的维度。默认为False。

Returns:

输出 QTensor 。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor
t = QTensor(([1, 2, 3], [4, 5, 6]))
x = tensor.sums(t)
print(x)

# [21.]

cumsum¶

pyvqnet.tensor.cumsum(t, axis=-1)¶

返回维度轴中输入元素的累积总和。

Parameters:

t – 输入 QTensor 。
axis – 计算的轴，默认 -1，使用最后一个轴。

Returns:

输出 QTensor 。

Example:

from pyvqnet.tensor import tensor, QTensor
t = QTensor(([1, 2, 3], [4, 5, 6]))
x = tensor.cumsum(t,-1)
print(x)
# [
# [1., 3., 6.],
# [4., 9., 15.]
# ]

mean¶

pyvqnet.tensor.mean(t: pyvqnet.tensor.QTensor, axis=None, keepdims=False)¶

对输入的 QTensor 按 axis 设定的轴计算元素的平均，如果 axis 是None，则返回所有元素平均。

Parameters:

t – 输入 QTensor ,需要是浮点数或者复数。
axis – 用于求平均的轴，默认为None。
keepdims – 输出张量是否保留了减小的维度。默认为False。

Returns:

输出 QTensor 或均值。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor
t = QTensor([[1, 2, 3], [4, 5, 6.0]])
x = tensor.mean(t, axis=1)
print(x)

# [2. 5.]

median¶

pyvqnet.tensor.median(t: pyvqnet.tensor.QTensor, axis=None, keepdims=False)¶

对输入的 QTensor 按 axis 设定的轴计算元素的平均，如果 axis 是None，则返回所有元素平均。

Parameters:

t – 输入 QTensor 。
axis – 用于求平均的轴，默认为None。
keepdims – 输出张量是否保留了减小的维度。默认为False。

Returns:

输出 QTensor 或中值。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor

a = QTensor([[1.5219, -1.5212,  0.2202]])
median_a = tensor.median(a)
print(median_a)

# [0.2202000]

b = QTensor([[0.2505, -0.3982, -0.9948,  0.3518, -1.3131],
            [0.3180, -0.6993,  1.0436,  0.0438,  0.2270],
            [-0.2751,  0.7303,  0.2192,  0.3321,  0.2488],
            [1.0778, -1.9510,  0.7048,  0.4742, -0.7125]])
median_b = tensor.median(b,1, False)
print(median_b)

# [-0.3982000, 0.2269999, 0.2487999, 0.4742000]

std¶

pyvqnet.tensor.std(t: pyvqnet.tensor.QTensor, axis=None, keepdims=False, unbiased=True)¶

对输入的 QTensor 按 axis 设定的轴计算元素的标准差，如果 axis 是None，则返回所有元素标准差。

Parameters:

t – 输入 QTensor 。
axis – 用于求标准差的轴，默认为None。
keepdims – 输出张量是否保留了减小的维度。默认为False。
unbiased – 是否使用贝塞尔修正,默认使用。

Returns:

输出 QTensor 或标准差。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor

a = QTensor([[-0.8166, -1.3802, -0.3560]])
std_a = tensor.std(a)
print(std_a)

# [0.5129624]

b = QTensor([[0.2505, -0.3982, -0.9948,  0.3518, -1.3131],
            [0.3180, -0.6993,  1.0436,  0.0438,  0.2270],
            [-0.2751,  0.7303,  0.2192,  0.3321,  0.2488],
            [1.0778, -1.9510,  0.7048,  0.4742, -0.7125]])
std_b = tensor.std(b, 1, False, False)
print(std_b)

# [0.6593542, 0.5583112, 0.3206565, 1.1103367]

var¶

pyvqnet.tensor.var(t: pyvqnet.tensor.QTensor, axis=None, keepdims=False, unbiased=True)¶

对输入的 QTensor 按 axis 设定的轴计算元素的方差，如果 axis 是None，则返回所有元素方差。

Parameters:

t – 输入 QTensor 。
axis – 用于求方差的轴，默认为None。
keepdims – 输出张量是否保留了减小的维度。默认为False。
unbiased – 是否使用贝塞尔修正,默认使用。

Returns:

输出 QTensor 或方差。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor

a = QTensor([[-0.8166, -1.3802, -0.3560]])
a_var = tensor.var(a)
print(a_var)

# [0.2631305]

matmul¶

pyvqnet.tensor.matmul(t1: pyvqnet.tensor.QTensor, t2: pyvqnet.tensor.QTensor)¶

二维矩阵点乘或3、4维张量进行批矩阵乘法.

Parameters:

t1 – 第一个 QTensor 。
t2 – 第二个 QTensor 。

Returns:

输出 QTensor 。

Example:

from pyvqnet.tensor import tensor
t1 = tensor.ones([2,3])
t1.requires_grad = True
t2 = tensor.ones([3,4])
t2.requires_grad = True
t3  = tensor.matmul(t1,t2)
t3.backward(tensor.ones_like(t3))
print(t1.grad)

# [
# [4., 4., 4.],
#  [4., 4., 4.]
# ]

print(t2.grad)

# [
# [2., 2., 2., 2.],
#  [2., 2., 2., 2.],
#  [2., 2., 2., 2.]
# ]

kron¶

pyvqnet.tensor.kron(t1: pyvqnet.tensor.QTensor, t2: pyvqnet.tensor.QTensor)¶

计算 t1 和 t2 的 Kronecker 积，用 \(\otimes\) 表示。

如果 t1 是一个 \((a_0 \times a_1 \times \dots \times a_n)\) 张量并且 t2 是一个 \((b_0 \times b_1 \times \dots \times b_n)\) 张量，结果将是 \((a_0*b_0 \times a_1*b_1 \times \dots \times a_n*b_n)\) 张量，包含以下条目：

\[(\text{input} \otimes \text{other})_{k_0, k_1, \dots, k_n} = \text{input}_{i_0, i_1, \dots, i_n} * \text{other}_{j_0, j_1, \dots, j_n},\]

其中 \(k_t = i_t * b_t + j_t\) 为 \(0 \leq t \leq n\)。如果一个张量的维数少于另一个，它将被解压缩，直到它具有相同的维数。

Parameters:

t1 – 第一个 QTensor 。
t2 – 第二个 QTensor 。

Returns:

输出 QTensor 。

Example:

from pyvqnet import tensor
a = tensor.arange(1,1+ 24).reshape([2,1,2,3,2])
b = tensor.arange(1,1+ 24).reshape([6,4])


c = tensor.kron(a,b)
print(c)

# [[[[[  1.   2.   3.   4.   2.   4.   6.   8.]
#     [  5.   6.   7.   8.  10.  12.  14.  16.]
#     [  9.  10.  11.  12.  18.  20.  22.  24.]
#     [ 13.  14.  15.  16.  26.  28.  30.  32.]
#     [ 17.  18.  19.  20.  34.  36.  38.  40.]
#     [ 21.  22.  23.  24.  42.  44.  46.  48.]
#     [  3.   6.   9.  12.   4.   8.  12.  16.]
#     [ 15.  18.  21.  24.  20.  24.  28.  32.]
#     [ 27.  30.  33.  36.  36.  40.  44.  48.]
#     [ 39.  42.  45.  48.  52.  56.  60.  64.]
#     [ 51.  54.  57.  60.  68.  72.  76.  80.]
#     [ 63.  66.  69.  72.  84.  88.  92.  96.]
#     [  5.  10.  15.  20.   6.  12.  18.  24.]
#     [ 25.  30.  35.  40.  30.  36.  42.  48.]
#     [ 45.  50.  55.  60.  54.  60.  66.  72.]
#     [ 65.  70.  75.  80.  78.  84.  90.  96.]
#     [ 85.  90.  95. 100. 102. 108. 114. 120.]
#     [105. 110. 115. 120. 126. 132. 138. 144.]]

#    [[  7.  14.  21.  28.   8.  16.  24.  32.]
#     [ 35.  42.  49.  56.  40.  48.  56.  64.]
#     [ 63.  70.  77.  84.  72.  80.  88.  96.]
#     [ 91.  98. 105. 112. 104. 112. 120. 128.]
#     [119. 126. 133. 140. 136. 144. 152. 160.]
#     [147. 154. 161. 168. 168. 176. 184. 192.]
#     [  9.  18.  27.  36.  10.  20.  30.  40.]
#     [ 45.  54.  63.  72.  50.  60.  70.  80.]
#     [ 81.  90.  99. 108.  90. 100. 110. 120.]
#     [117. 126. 135. 144. 130. 140. 150. 160.]
#     [153. 162. 171. 180. 170. 180. 190. 200.]
#     [189. 198. 207. 216. 210. 220. 230. 240.]
#     [ 11.  22.  33.  44.  12.  24.  36.  48.]
#     [ 55.  66.  77.  88.  60.  72.  84.  96.]
#     [ 99. 110. 121. 132. 108. 120. 132. 144.]
#     [143. 154. 165. 176. 156. 168. 180. 192.]
#     [187. 198. 209. 220. 204. 216. 228. 240.]
#     [231. 242. 253. 264. 252. 264. 276. 288.]]]]



#  [[[[ 13.  26.  39.  52.  14.  28.  42.  56.]
#     [ 65.  78.  91. 104.  70.  84.  98. 112.]
#     [117. 130. 143. 156. 126. 140. 154. 168.]
#     [169. 182. 195. 208. 182. 196. 210. 224.]
#     [221. 234. 247. 260. 238. 252. 266. 280.]
#     [273. 286. 299. 312. 294. 308. 322. 336.]
#     [ 15.  30.  45.  60.  16.  32.  48.  64.]
#     [ 75.  90. 105. 120.  80.  96. 112. 128.]
#     [135. 150. 165. 180. 144. 160. 176. 192.]
#     [195. 210. 225. 240. 208. 224. 240. 256.]
#     [255. 270. 285. 300. 272. 288. 304. 320.]
#     [315. 330. 345. 360. 336. 352. 368. 384.]
#     [ 17.  34.  51.  68.  18.  36.  54.  72.]
#     [ 85. 102. 119. 136.  90. 108. 126. 144.]
#     [153. 170. 187. 204. 162. 180. 198. 216.]
#     [221. 238. 255. 272. 234. 252. 270. 288.]
#     [289. 306. 323. 340. 306. 324. 342. 360.]
#     [357. 374. 391. 408. 378. 396. 414. 432.]]

#    [[ 19.  38.  57.  76.  20.  40.  60.  80.]
#     [ 95. 114. 133. 152. 100. 120. 140. 160.]
#     [171. 190. 209. 228. 180. 200. 220. 240.]
#     [247. 266. 285. 304. 260. 280. 300. 320.]
#     [323. 342. 361. 380. 340. 360. 380. 400.]
#     [399. 418. 437. 456. 420. 440. 460. 480.]
#     [ 21.  42.  63.  84.  22.  44.  66.  88.]
#     [105. 126. 147. 168. 110. 132. 154. 176.]
#     [189. 210. 231. 252. 198. 220. 242. 264.]
#     [273. 294. 315. 336. 286. 308. 330. 352.]
#     [357. 378. 399. 420. 374. 396. 418. 440.]
#     [441. 462. 483. 504. 462. 484. 506. 528.]
#     [ 23.  46.  69.  92.  24.  48.  72.  96.]
#     [115. 138. 161. 184. 120. 144. 168. 192.]
#     [207. 230. 253. 276. 216. 240. 264. 288.]
#     [299. 322. 345. 368. 312. 336. 360. 384.]
#     [391. 414. 437. 460. 408. 432. 456. 480.]
#     [483. 506. 529. 552. 504. 528. 552. 576.]]]]]

reciprocal¶

pyvqnet.tensor.reciprocal(t)¶

计算输入 QTensor 的倒数。

Parameters:: t – 输入 QTensor 。
Returns:: 输出 QTensor 。

Example:

from pyvqnet.tensor import tensor

t = tensor.arange(1, 10, 1)
u = tensor.reciprocal(t)
print(u)

#[1., 0.5000000, 0.3333333, 0.2500000, 0.2000000, 0.1666667, 0.1428571, 0.1250000, 0.1111111]

sign¶

pyvqnet.tensor.sign(t)¶

对输入 t 中每个元素进行正负判断，并且输出正负判断值：1代表正，-1代表负，0代表零。

Parameters:: t – 输入 QTensor 。
Returns:: 输出 QTensor 。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor

t = tensor.arange(-5, 5, 1)
u = tensor.sign(t)
print(u)

# [-1., -1., -1., -1., -1., 0., 1., 1., 1., 1.]

neg¶

pyvqnet.tensor.neg(t: pyvqnet.tensor.QTensor)¶

计算输入 t 每个元素的相反数并返回。

Parameters:: t – 输入 QTensor 。
Returns:: 输出 QTensor 。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor
t = QTensor([1, 2, 3])
x = tensor.neg(t)
print(x)

# [-1., -2., -3.]

trace¶

pyvqnet.tensor.trace(t, k: int = 0)¶

返回二维矩阵的迹。

Parameters:

t – 输入 QTensor 。
k – 偏移量（主对角线为 0，正数为向上偏移，负数为向下偏移），默认为0。

Returns:

输入二维矩阵的对角线元素之和。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor

t = tensor.randn([4,4])
for k in range(-3, 4):
    u=tensor.trace(t,k=k)
    print(u)

# 0.07717618346214294
# -1.9287869930267334
# 0.6111435890197754
# 2.8094992637634277
# 0.6388946771621704
# -1.3400784730911255
# 0.26980453729629517

exp¶

pyvqnet.tensor.exp(t: pyvqnet.tensor.QTensor)¶

计算输入 t 每个元素的自然数e为底指数。

Parameters:: t – 输入 QTensor 。
Returns:: 输出 QTensor 。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor
t = QTensor([1, 2, 3])
x = tensor.exp(t)
print(x)

# [2.7182817, 7.3890562, 20.0855369]

acos¶

pyvqnet.tensor.acos(t: pyvqnet.tensor.QTensor)¶

计算输入 t 每个元素的反余弦。

Parameters:: t – 输入 QTensor 。
Returns:: 输出 QTensor 。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor
import numpy as np
a = np.arange(36).reshape(2,6,3).astype(np.float32)
a =a/100
A = QTensor(a,requires_grad = True)
y = tensor.acos(A)
print(y)

# [
# [[1.5707964, 1.5607961, 1.5507950],
#  [1.5407919, 1.5307857, 1.5207754],
#  [1.5107603, 1.5007390, 1.4907107],
#  [1.4806744, 1.4706289, 1.4605733],
#  [1.4505064, 1.4404273, 1.4303349],
#  [1.4202280, 1.4101057, 1.3999666]],
# [[1.3898098, 1.3796341, 1.3694384],
#  [1.3592213, 1.3489819, 1.3387187],
#  [1.3284305, 1.3181161, 1.3077742],
#  [1.2974033, 1.2870022, 1.2765695],
#  [1.2661036, 1.2556033, 1.2450669],
#  [1.2344928, 1.2238795, 1.2132252]]
# ]

asin¶

pyvqnet.tensor.asin(t: pyvqnet.tensor.QTensor)¶

计算输入 t 每个元素的反正弦。

Parameters:: t – 输入 QTensor 。
Returns:: 输出 QTensor 。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor

t = tensor.arange(-1, 1, .5)
u = tensor.asin(t)
print(u)

#[-1.5707964, -0.5235988, 0., 0.5235988]

atan¶

pyvqnet.tensor.atan(t: pyvqnet.tensor.QTensor)¶

计算输入 t 每个元素的反正切。

Parameters:: t – 输入 QTensor 。
Returns:: 输出 QTensor 。

Example:

from pyvqnet.tensor import tensor

t = tensor.arange(-1, 1, .5)
u = tensor.atan(t)
print(u)

# [-0.7853981, -0.4636476, 0., 0.4636476]

sin¶

pyvqnet.tensor.sin(t: pyvqnet.tensor.QTensor)¶

计算输入 t 每个元素的正弦。

Parameters:: t – 输入 QTensor 。
Returns:: 输出 QTensor 。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor
t = QTensor([1, 2, 3])
x = tensor.sin(t)
print(x)

# [0.8414709, 0.9092974, 0.1411200]

cos¶

pyvqnet.tensor.cos(t: pyvqnet.tensor.QTensor)¶

计算输入 t 每个元素的余弦。

Parameters:: t – 输入 QTensor 。
Returns:: 输出 QTensor 。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor
t = QTensor([1, 2, 3])
x = tensor.cos(t)
print(x)

# [0.5403022, -0.4161468, -0.9899924]

tan¶

pyvqnet.tensor.tan(t: pyvqnet.tensor.QTensor)¶

计算输入 t 每个元素的正切。

Parameters:: t – 输入 QTensor 。
Returns:: 输出 QTensor 。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor
t = QTensor([1, 2, 3])
x = tensor.tan(t)
print(x)

# [1.5574077, -2.1850397, -0.1425465]

tanh¶

pyvqnet.tensor.tanh(t: pyvqnet.tensor.QTensor)¶

计算输入 t 每个元素的双曲正切。

Parameters:: t – 输入 QTensor 。
Returns:: 输出 QTensor 。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor
t = QTensor([1, 2, 3])
x = tensor.tanh(t)
print(x)

# [0.7615941, 0.9640275, 0.9950547]

sinh¶

pyvqnet.tensor.sinh(t: pyvqnet.tensor.QTensor)¶

计算输入 t 每个元素的双曲正弦。

Parameters:: t – 输入 QTensor 。
Returns:: 输出 QTensor 。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor
t = QTensor([1, 2, 3])
x = tensor.sinh(t)
print(x)

# [1.1752011, 3.6268603, 10.0178747]

cosh¶

pyvqnet.tensor.cosh(t: pyvqnet.tensor.QTensor)¶

计算输入 t 每个元素的双曲余弦。

Parameters:: t – 输入 QTensor 。
Returns:: 输出 QTensor 。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor
t = QTensor([1, 2, 3])
x = tensor.cosh(t)
print(x)

# [1.5430806, 3.7621955, 10.0676622]

power¶

pyvqnet.tensor.power(t1: pyvqnet.tensor.QTensor, t2: pyvqnet.tensor.QTensor)¶

第一个 QTensor 的元素计算第二个 QTensor 的幂指数。

Parameters:

t1 – 第一个 QTensor 。
t2 – 第二个 QTensor 。

Returns:

输出 QTensor 。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor
t1 = QTensor([1, 4, 3])
t2 = QTensor([2, 5, 6])
x = tensor.power(t1, t2)
print(x)

# [1., 1024., 729.]

abs¶

pyvqnet.tensor.abs(t: pyvqnet.tensor.QTensor)¶

计算输入 QTensor 的每个元素的绝对值。

Parameters:: t – 输入 QTensor 。
Returns:: 输出 QTensor 。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor
t = QTensor([1, -2, 3])
x = tensor.abs(t)
print(x)

# [1., 2., 3.]

log¶

pyvqnet.tensor.log(t: pyvqnet.tensor.QTensor)¶

计算输入 QTensor 的每个元素的自然对数值。

Parameters:: t – 输入 QTensor 。
Returns:: 输出 QTensor 。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor
t = QTensor([1, 2, 3])
x = tensor.log(t)
print(x)

# [0., 0.6931471, 1.0986123]

log_softmax¶

pyvqnet.tensor.log_softmax(t, axis=-1)¶

顺序计算在轴axis上的softmax函数以及log函数的结果。

Parameters:

t – 输入 QTensor 。
axis – 用于求softmax的轴，默认为-1。

Returns:

输出 QTensor。

Example:

from pyvqnet import tensor
output = tensor.arange(1,13).reshape([3,2,2])
t = tensor.log_softmax(output,1)
print(t)
# [
# [[-2.1269281, -2.1269281],
#  [-0.1269280, -0.1269280]],
# [[-2.1269281, -2.1269281],
#  [-0.1269280, -0.1269280]],
# [[-2.1269281, -2.1269281],
#  [-0.1269280, -0.1269280]]
# ]

sqrt¶

pyvqnet.tensor.sqrt(t: pyvqnet.tensor.QTensor)¶

计算输入 QTensor 的每个元素的平方根值。

Parameters:: t – 输入 QTensor 。
Returns:: 输出 QTensor 。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor
t = QTensor([1, 2, 3])
x = tensor.sqrt(t)
print(x)

# [1., 1.4142135, 1.7320507]

square¶

pyvqnet.tensor.square(t: pyvqnet.tensor.QTensor)¶

计算输入 QTensor 的每个元素的平方值。

Parameters:: t – 输入 QTensor 。
Returns:: 输出 QTensor 。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor
t = QTensor([1, 2, 3])
x = tensor.square(t)
print(x)

# [1., 4., 9.]

frobenius_norm¶

pyvqnet.tensor.frobenius_norm(t: QTensor, axis: int = None, keepdims=False):

对输入的 QTensor 按 axis 设定的轴计算张量的F范数，如果 axis 是None，则返回所有元素F范数。

Parameters:

t – 输入 QTensor 。
axis – 用于求F范数的轴，默认为None。
keepdims – 输出张量是否保留了减小的维度。默认为False。

Returns:

输出 QTensor 或 F范数值。

Example:

from pyvqnet.tensor import tensor,QTensor
t = QTensor([[[1., 2., 3.], [4., 5., 6.]], [[7., 8., 9.], [10., 11., 12.]],
            [[13., 14., 15.], [16., 17., 18.]]])
t.requires_grad = True
result = tensor.frobenius_norm(t, -2, False)
print(result)
# [
# [4.1231055, 5.3851647, 6.7082038],
#  [12.2065554, 13.6014709, 15.],
#  [20.6155281, 22.0227146, 23.4307499]
# ]

逻辑函数¶

maximum¶

pyvqnet.tensor.maximum(t1: pyvqnet.tensor.QTensor, t2: pyvqnet.tensor.QTensor)¶

计算两个 QTensor 的逐元素中的较大值。

Parameters:

t1 – 第一个 QTensor 。
t2 – 第二个 QTensor 。

Returns:

输出 QTensor 。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor
t1 = QTensor([6, 4, 3])
t2 = QTensor([2, 5, 7])
x = tensor.maximum(t1, t2)
print(x)

# [6., 5., 7.]

minimum¶

pyvqnet.tensor.minimum(t1: pyvqnet.tensor.QTensor, t2: pyvqnet.tensor.QTensor)¶

计算两个 QTensor 的逐元素中的较小值。

Parameters:

t1 – 第一个 QTensor 。
t2 – 第二个 QTensor 。

Returns:

输出 QTensor 。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor
t1 = QTensor([6, 4, 3])
t2 = QTensor([2, 5, 7])
x = tensor.minimum(t1, t2)
print(x)

# [2., 4., 3.]

min¶

pyvqnet.tensor.min(t: pyvqnet.tensor.QTensor, axis=None, keepdims=False)¶

对输入的 QTensor 按 axis 设定的轴计算元素的最小值，如果 axis 是None，则返回所有元素的最小值。

Parameters:

t – 输入 QTensor 。
axis – 用于求最小值的轴，默认为None。
keepdims – 输出张量是否保留了减小的维度。默认为False。

Returns:

输出 QTensor 或浮点数。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor
t = QTensor([[1, 2, 3], [4, 5, 6]])
x = tensor.min(t, axis=1, keepdims=True)
print(x)

# [
# [1.],
#  [4.]
# ]

max¶

pyvqnet.tensor.max(t: pyvqnet.tensor.QTensor, axis=None, keepdims=False)¶

对输入的 QTensor 按 axis 设定的轴计算元素的最大值，如果 axis 是None，则返回所有元素的最大值。

Parameters:

t – 输入 QTensor 。
axis – 用于求最大值的轴，默认为None。
keepdims – 输出张量是否保留了减小的维度。默认为False。

Returns:

输出 QTensor 或浮点数。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor
t = QTensor([[1, 2, 3], [4, 5, 6]])
x = tensor.max(t, axis=1, keepdims=True)
print(x)

# [
# [3.],
#  [6.]
# ]

clip¶

pyvqnet.tensor.clip(t: pyvqnet.tensor.QTensor, min_val, max_val)¶

将输入的所有元素进行剪裁，使得输出元素限制在[min_val, max_val]。

Parameters:

t – 输入 QTensor 。
min_val – 裁剪下限值。
max_val – 裁剪上限值。

Returns:

output QTensor 。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor
t = QTensor([2, 4, 6])
x = tensor.clip(t, 3, 8)
print(x)

# [3., 4., 6.]

where¶

pyvqnet.tensor.where(condition: pyvqnet.tensor.QTensor, t1: pyvqnet.tensor.QTensor, t2: pyvqnet.tensor.QTensor)¶

根据条件返回从 t1 或 t2 中选择的元素。

Parameters:

condition – 判断条件 QTensor,需要是kbool数据类型。
t1 – 如果满足条件，则从中获取元素。
t2 – 如果条件不满足，则从中获取元素。

Returns:

输出 QTensor 。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor
t1 = QTensor([1, 2, 3])
t2 = QTensor([4, 5, 6])
x = tensor.where(t1 < 2, t1, t2)
print(x)

# [1., 5., 6.]

nonzero¶

pyvqnet.tensor.nonzero(t)¶

返回一个包含非零元素索引的 QTensor 。

Parameters:: t – 输入 QTensor 。
Returns:: 输出 QTensor 包含非零元素的索引。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor
t = QTensor([[0.6, 0.0, 0.0, 0.0],
                            [0.0, 0.4, 0.0, 0.0],
                            [0.0, 0.0, 1.2, 0.0],
                            [0.0, 0.0, 0.0,-0.4]])
t = tensor.nonzero(t)
print(t)
# [
# [0., 0.],
# [1., 1.],
# [2., 2.],
# [3., 3.]
# ]

isfinite¶

pyvqnet.tensor.isfinite(t)¶

逐元素判断输入是否为Finite （既非 +/-INF 也非 +/-NaN ）。

Parameters:: t – 输入 QTensor 。
Returns:: 输出 QTensor , 其中对应位置元素满足条件时返回True，否则返回False。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor

t = QTensor([1, float('inf'), 2, float('-inf'), float('nan')])
flag = tensor.isfinite(t)
print(flag)

#[ True False  True False False]

isinf¶

pyvqnet.tensor.isinf(t)¶

逐元素判断输入的每一个值是否为 +/-INF 。

Parameters:: t – 输入 QTensor 。
Returns:: 输出 QTensor , 其中对应位置元素满足条件时返回True，否则返回False。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor

t = QTensor([1, float('inf'), 2, float('-inf'), float('nan')])
flag = tensor.isinf(t)
print(flag)

# [False  True False  True False]

isnan¶

pyvqnet.tensor.isnan(t)¶

逐元素判断输入的每一个值是否为 +/-NaN 。

Parameters:: t – 输入 QTensor 。
Returns:: 输出 QTensor , 其中对应位置元素满足条件时返回True，否则返回False。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor

t = QTensor([1, float('inf'), 2, float('-inf'), float('nan')])
flag = tensor.isnan(t)
print(flag)

# [False False False False  True]

isneginf¶

pyvqnet.tensor.isneginf(t)¶

逐元素判断输入的每一个值是否为 -INF 。

Parameters:: t – 输入 QTensor 。
Returns:: 输出 QTensor , 其中对应位置元素满足条件时返回True，否则返回False。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor

t = QTensor([1, float('inf'), 2, float('-inf'), float('nan')])
flag = tensor.isneginf(t)
print(flag)

# [False False False  True False]

isposinf¶

pyvqnet.tensor.isposinf(t)¶

逐元素判断输入的每一个值是否为 +INF 。

Parameters:: t – 输入 QTensor 。
Returns:: 输出 QTensor , 其中对应位置元素满足条件时返回True，否则返回False。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor

t = QTensor([1, float('inf'), 2, float('-inf'), float('nan')])
flag = tensor.isposinf(t)
print(flag)

# [False  True False False False]

logical_and¶

pyvqnet.tensor.logical_and(t1, t2)¶

对两个输入进行逐元素逻辑与操作，其中对应位置元素满足条件时返回True，否则返回False。

Parameters:

t1 – 输入 QTensor 。
t2 – 输入 QTensor 。

Returns:

输出 QTensor 。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor

a = QTensor([0, 1, 10, 0])
b = QTensor([4, 0, 1, 0])
flag = tensor.logical_and(a,b)
print(flag)

# [False False  True False]

logical_or¶

pyvqnet.tensor.logical_or(t1, t2)¶

对两个输入进行逐元素逻辑或操作，其中对应位置元素满足条件时返回True，否则返回False。

Parameters:

t1 – 输入 QTensor 。
t2 – 输入 QTensor 。

Returns:

输出 QTensor 。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor

a = QTensor([0, 1, 10, 0])
b = QTensor([4, 0, 1, 0])
flag = tensor.logical_or(a,b)
print(flag)

# [ True  True  True False]

logical_not¶

pyvqnet.tensor.logical_not(t)¶

对输入进行逐元素逻辑非操作，其中对应位置元素满足条件时返回True，否则返回False。

Parameters:: t – 输入 QTensor 。
Returns:: 输出 QTensor 。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor

a = QTensor([0, 1, 10, 0])
flag = tensor.logical_not(a)
print(flag)

# [ True False False  True]

logical_xor¶

pyvqnet.tensor.logical_xor(t1, t2)¶

对两个输入进行逐元素逻辑异或操作，其中对应位置元素满足条件时返回True，否则返回False。

Parameters:

t1 – 输入 QTensor 。
t2 – 输入 QTensor 。

Returns:

输出 QTensor 。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor

a = QTensor([0, 1, 10, 0])
b = QTensor([4, 0, 1, 0])
flag = tensor.logical_xor(a,b)
print(flag)

# [ True  True False False]

greater¶

pyvqnet.tensor.greater(t1, t2)¶

逐元素比较 t1 是否大于 t2 ，其中对应位置元素满足条件时返回True，否则返回False。

Parameters:

t1 – 输入 QTensor 。
t2 – 输入 QTensor 。

Returns:

输出 QTensor 。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor

a = QTensor([[1, 2], [3, 4]])
b = QTensor([[1, 1], [4, 4]])
flag = tensor.greater(a,b)
print(flag)

# [[False  True]
#  [False False]]

greater_equal¶

pyvqnet.tensor.greater_equal(t1, t2)¶

逐元素比较 t1 是否大于等于 t2 ，其中对应位置元素满足条件时返回True，否则返回False。

Parameters:

t1 – 输入 QTensor 。
t2 – 输入 QTensor 。

Returns:

输出 QTensor 。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor

a = QTensor([[1, 2], [3, 4]])
b = QTensor([[1, 1], [4, 4]])
flag = tensor.greater_equal(a,b)
print(flag)

#[[ True  True]
# [False  True]]

less¶

pyvqnet.tensor.less(t1, t2)¶

逐元素比较 t1 是否小于 t2 ，其中对应位置元素满足条件时返回True，否则返回False。

Parameters:

t1 – 输入 QTensor 。
t2 – 输入 QTensor 。

Returns:

输出 QTensor 。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor

a = QTensor([[1, 2], [3, 4]])
b = QTensor([[1, 1], [4, 4]])
flag = tensor.less(a,b)
print(flag)

#[[False False]
# [ True False]]

less_equal¶

pyvqnet.tensor.less_equal(t1, t2)¶

逐元素比较 t1 是否小于等于 t2 ，其中对应位置元素满足条件时返回True，否则返回False。

Parameters:

t1 – 输入 QTensor 。
t2 – 输入 QTensor 。

Returns:

输出 QTensor 。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor

a = QTensor([[1, 2], [3, 4]])
b = QTensor([[1, 1], [4, 4]])
flag = tensor.less_equal(a,b)
print(flag)


# [[ True False]
#  [ True  True]]

equal¶

pyvqnet.tensor.equal(t1, t2)¶

逐元素比较 t1 是否等于 t2 ，其中对应位置元素满足条件时返回True，否则返回False。

Parameters:

t1 – 输入 QTensor 。
t2 – 输入 QTensor 。

Returns:

输出 QTensor 。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor

a = QTensor([[1, 2], [3, 4]])
b = QTensor([[1, 1], [4, 4]])
flag = tensor.equal(a,b)
print(flag)

#[[ True False]
# [False  True]]

not_equal¶

pyvqnet.tensor.not_equal(t1, t2)¶

逐元素比较 t1 是否不等于 t2 ，其中对应位置元素满足条件时返回True，否则返回False。

Parameters:

t1 – 输入 QTensor 。
t2 – 输入 QTensor 。

Returns:

输出 QTensor 。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor

a = QTensor([[1, 2], [3, 4]])
b = QTensor([[1, 1], [4, 4]])
flag = tensor.not_equal(a,b)
print(flag)

#[[False  True]
# [ True False]]

矩阵操作¶

broadcast¶

pyvqnet.tensor.broadcast(t1: pyvqnet.tensor.QTensor, t2: pyvqnet.tensor.QTensor)¶

受到某些限制，较小的阵列在整个更大的阵列，以便它们具有兼容的形状。该接口可对入参张量进行自动微分。

参考https://numpy.org/doc/stable/user/basics.broadcasting.html

Parameters:

t1 – 输入 QTensor 1
t2 – 输入 QTensor 2

Return t11:

具有新的广播形状 t1。

Return t22:

具有新广播形状的 t2。

Example:

from pyvqnet.tensor import *
t1 = ones([5,4])
t2 = ones([4])

t11, t22 = tensor.broadcast(t1, t2)

print(t11.shape)
print(t22.shape)


t1 = ones([5,4])
t2 = ones([1])

t11, t22 = tensor.broadcast(t1, t2)

print(t11.shape)
print(t22.shape)


t1 = ones([5,4])
t2 = ones([2,1,4])

t11, t22 = tensor.broadcast(t1, t2)

print(t11.shape)
print(t22.shape)


# [5, 4]
# [5, 4]
# [5, 4]
# [5, 4]
# [2, 5, 4]
# [2, 5, 4]

select¶

pyvqnet.tensor.select(t: pyvqnet.tensor.QTensor, index)¶

输入字符串形式的索引位置，获取该索引下的数据切片，返回一个新的 QTensor 。

Parameters:

t – 输入 QTensor 。
index – 一个字符串包含切片的索引。

Returns:

输出 QTensor 。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor
import numpy as np
t = QTensor(np.arange(1,25).reshape(2,3,4))

indx = [":", "0", ":"]
t.requires_grad = True
t.zero_grad()
ts = tensor.select(t,indx)

print(ts)
# [
# [[1., 2., 3., 4.]],
# [[13., 14., 15., 16.]]
# ]

concatenate¶

pyvqnet.tensor.concatenate(args: list, axis=1)¶

对 args 内的多个 QTensor 沿 axis 轴进行联结，返回一个新的 QTensor 。

Parameters:

args – 包含输入 QTensor 。
axis – 要连接的维度。必须介于 0 和输入张量的最大维数之间。

Returns:

输出 QTensor 。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor
x = QTensor([[1, 2, 3],[4,5,6]], requires_grad=True)
y = 1-x
x = tensor.concatenate([x,y],1)
print(x)

# [
# [1., 2., 3., 0., -1., -2.],
# [4., 5., 6., -3., -4., -5.]
# ]

stack¶

pyvqnet.tensor.stack(QTensors: list, axis)¶

沿新轴 axis 堆叠输入的 QTensors ，返回一个新的 QTensor。

Parameters:

QTensors – 包含输入 QTensor 。
axis – 要堆叠的维度。必须介于 0 和输入张量的最大维数之间。

Returns:

输出 QTensor 。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor

import numpy as np
R, C = 3, 4
a = np.arange(R * C).reshape(R, C).astype(np.float32)
t11 = QTensor(a)
t22 = QTensor(a)
t33 = QTensor(a)
rlt1 = tensor.stack([t11,t22,t33],2)
print(rlt1)

# [
# [[0., 0., 0.],
#  [1., 1., 1.],
#  [2., 2., 2.],
#  [3., 3., 3.]],
# [[4., 4., 4.],
#  [5., 5., 5.],
#  [6., 6., 6.],
#  [7., 7., 7.]],
# [[8., 8., 8.],
#  [9., 9., 9.],
#  [10., 10., 10.],
#  [11., 11., 11.]]
# ]

permute¶

pyvqnet.tensor.permute(t: pyvqnet.tensor.QTensor, dim: list)¶

根据输入的 dim 的顺序，改变t 的轴的顺序。如果 dims = None，则按顺序反转 t 的轴。

Parameters:

t – 输入 QTensor 。
dim – 维度的新顺序（整数列表）。

Returns:

输出 QTensor 。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor

import numpy as np
R, C = 3, 4
a = np.arange(R * C).reshape([2,2,3]).astype(np.float32)
t = QTensor(a)
tt = tensor.permute(t,[2,0,1])
print(tt)

# [
# [[0., 3.],
#  [6., 9.]],
# [[1., 4.],
#  [7., 10.]],
# [[2., 5.],
#  [8., 11.]]
# ]

transpose¶

pyvqnet.tensor.transpose(t: pyvqnet.tensor.QTensor, dim: list)¶

根据输入的 dim 的顺序，改变t 的轴的顺序。如果 dims = None，则按顺序反转 t 的轴。该函数功能与 permute 一致。

Parameters:

t – 输入 QTensor 。
dim – 维度的新顺序（整数列表）。

Returns:

输出 QTensor 。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor

import numpy as np
R, C = 3, 4
a = np.arange(R * C).reshape([2,2,3]).astype(np.float32)
t = QTensor(a)
tt = tensor.transpose(t,[2,0,1])
print(tt)

# [
# [[0., 3.],
#  [6., 9.]],
# [[1., 4.],
#  [7., 10.]],
# [[2., 5.],
#  [8., 11.]]
# ]

tile¶

pyvqnet.tensor.tile(t: pyvqnet.tensor.QTensor, reps: list)¶

通过按照 reps 给出的次数复制输入 QTensor 。

如果 reps 的长度为 d，则结果 QTensor 的维度大小为 max(d, t.ndim)。如果 t.ndim < d，则通过从起始维度插入新轴，将 t 扩展为 d 维度。

因此形状 (3,) 数组被提升为 (1, 3) 用于 2-D 复制，或形状 (1, 1, 3) 用于 3-D 复制。如果 t.ndim > d，reps 通过插入 1 扩展为 t.ndim。

因此，对于形状为 (2, 3, 4, 5) 的 t，(4, 3) 的 reps 被视为 (1, 1, 4, 3)。

Parameters:

t – 输入 QTensor 。
reps – 每个维度的重复次数。

Returns:

一个新的 QTensor 。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor

import numpy as np
a = np.arange(6).reshape(2,3).astype(np.float32)
A = QTensor(a)
reps = [2,2]
B = tensor.tile(A,reps)
print(B)

# [
# [0., 1., 2., 0., 1., 2.],
# [3., 4., 5., 3., 4., 5.],
# [0., 1., 2., 0., 1., 2.],
# [3., 4., 5., 3., 4., 5.]
# ]

squeeze¶

pyvqnet.tensor.squeeze(t: pyvqnet.tensor.QTensor, axis: int = -1)¶

删除 axis 指定的轴，该轴的维度为1。如果 axis = None ，则将输入所有长度为1的维度删除。

Parameters:

t – 输入 QTensor 。
axis – 要压缩的轴，默认为None。

Returns:

输出 QTensor 。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor
import numpy as np
a = np.arange(6).reshape(1,6,1).astype(np.float32)
A = QTensor(a)
AA = tensor.squeeze(A,0)
print(AA)

# [
# [0.],
# [1.],
# [2.],
# [3.],
# [4.],
# [5.]
# ]

unsqueeze¶

pyvqnet.tensor.unsqueeze(t: pyvqnet.tensor.QTensor, axis: int = 0)¶

在axis 指定的维度上插入一个维度为的1的轴，返回一个新的 QTensor 。

Parameters:

t – 输入 QTensor 。
axis – 要插入维度的位置，默认为0。

Returns:

输出 QTensor 。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor
import numpy as np
a = np.arange(24).reshape(2,1,1,4,3).astype(np.float32)
A = QTensor(a)
AA = tensor.unsqueeze(A,1)
print(AA)

# [
# [[[[[0., 1., 2.],
#  [3., 4., 5.],
#  [6., 7., 8.],
#  [9., 10., 11.]]]]],
# [[[[[12., 13., 14.],
#  [15., 16., 17.],
#  [18., 19., 20.],
#  [21., 22., 23.]]]]]
# ]

swapaxis¶

pyvqnet.tensor.swapaxis(t, axis1: int, axis2: int)¶

交换输入 t 的第 axis1 和 axis 维度。

Parameters:

t – 输入 QTensor 。
axis1 – 要交换的第一个轴。
axis2 – 要交换的第二个轴。

Returns:

输出 QTensor 。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor

import numpy as np
a = np.arange(24).reshape(2,3,4).astype(np.float32)
A = QTensor(a)
AA = tensor.swapaxis(A, 2, 1)
print(AA)

# [
# [[0., 4., 8.],
#  [1., 5., 9.],
#  [2., 6., 10.],
#  [3., 7., 11.]],
# [[12., 16., 20.],
#  [13., 17., 21.],
#  [14., 18., 22.],
#  [15., 19., 23.]]
# ]

masked_fill¶

pyvqnet.tensor.masked_fill(t, mask, value)¶

在 mask == 1 的位置，用值 value 填充输入。 mask的形状必须与输入的 QTensor 的形状是可广播的。

Parameters:

t – 输入 QTensor。
mask – 掩码 QTensor,必须是kbool。
value – 填充值。

Returns:

一个 QTensor。

Examples:

from pyvqnet.tensor import tensor
import numpy as np
a = tensor.ones([2, 2, 2, 2])
mask = np.random.randint(0, 2, size=4).reshape([2, 2])
b = tensor.QTensor(mask==1)
c = tensor.masked_fill(a, b, 13)
print(c)
# [
# [[[1., 1.],
#  [13., 13.]],
# [[1., 1.],
#  [13., 13.]]],
# [[[1., 1.],
#  [13., 13.]],
# [[1., 1.],
#  [13., 13.]]]
# ]

flatten¶

pyvqnet.tensor.flatten(t: pyvqnet.tensor.QTensor, start: int = 0, end: int = -1)¶

将输入 t 从 start 到 end 的连续维度展平。

Parameters:

t – 输入 QTensor 。
start – 展平开始的轴，默认 = 0，从第一个轴开始。
end – 展平结束的轴，默认 = -1，以最后一个轴结束。

Returns:

输出 QTensor 。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor
t = QTensor([1, 2, 3])
x = tensor.flatten(t)
print(x)

# [1., 2., 3.]

reshape¶

pyvqnet.tensor.reshape(t: pyvqnet.tensor.QTensor, new_shape)¶

改变 QTensor 的形状，返回一个新的张量。

Parameters:

t – 输入 QTensor 。
new_shape – 新的形状。

Returns:

新形状的 QTensor 。

Example:

from pyvqnet.tensor import tensor
from pyvqnet.tensor import QTensor
import numpy as np
R, C = 3, 4
a = np.arange(R * C).reshape(R, C).astype(np.float32)
t = QTensor(a)
reshape_t = tensor.reshape(t, [C, R])
print(reshape_t)
# [
# [0., 1., 2.],
# [3., 4., 5.],
# [6., 7., 8.],
# [9., 10., 11.]
# ]

flip¶

pyvqnet.tensor.flip(t, flip_dims)¶

沿指定轴反转QTensor，返回一个新的张量。

Parameters:

t – 输入 QTensor 。
flip_dims – 需要翻转的轴或轴列表。

Returns:

新形状的 QTensor 。

Example:

from pyvqnet import tensor
t = tensor.arange(1, 3 * 2 *2 * 2 + 1).reshape([3, 2, 2, 2])
t.requires_grad = True
y = tensor.flip(t, [0, -1])
print(y)
# [
# [[[18., 17.],
#  [20., 19.]],
# [[22., 21.],
#  [24., 23.]]],
# [[[10., 9.],
#  [12., 11.]],
# [[14., 13.],
#  [16., 15.]]],
# [[[2., 1.],
#  [4., 3.]],
# [[6., 5.],
#  [8., 7.]]]
# ]

gather¶

pyvqnet.tensor.gather(t, dim, index)¶

沿由“dim”指定的轴收集值。

对于 3-D 张量，输出由以下指定：

\[ \begin{align}\begin{aligned}\begin{split}out[i][j][k] = t[index[i][j][k]][j][k] , 如果 dim == 0 \\\end{split}\\\begin{split}out[i][j][k] = t[i][index[i][j][k]][k] , 如果 dim == 1 \\\end{split}\\\begin{split}out[i][j][k] = t[i][j][index[i][j][k]] , 如果 dim == 2 \\\end{split}\end{aligned}\end{align} \]

Parameters:

t – 输入 QTensor。
dim – 聚集轴。
index – 索引QTensor，应该与输入具有相同的维度大小。

Returns:

聚集的结果

Example:

from pyvqnet.tensor import gather,QTensor,tensor
import numpy as np
np.random.seed(25)
npx = np.random.randn( 3, 4,6)
npindex = np.array([2,3,1,2,1,2,3,0,2,3,1,2,3,2,0,1]).reshape([2,2,4]).astype(np.int64)

x1 = QTensor(npx)
indices1 =  QTensor(npindex)
x1.requires_grad = True
y1 = gather(x1,1,indices1)
y1.backward(tensor.arange(0,y1.numel()).reshape(y1.shape))

print(y1)
# [
# [[2.1523438, -0.4196777, -2.0527344, -1.2460938],
#  [-0.6201172, -1.3349609, 2.2949219, -0.5913086]],
# [[0.2170410, -0.7055664, 1.6074219, -1.9394531],
#  [0.2430420, -0.6333008, 0.5332031, 0.3881836]]
# ]

scatter¶

pyvqnet.tensor.scatter(input, dim, index, src)¶

将张量 src 中的所有值写入 indices 张量中指定的索引处的 input 中。

对于 3-D 张量，输出由以下指定：

\[\begin{split}input[indices[i][j][k]][j][k] = src[i][j][k] , 如果 dim == 0 \\ input[i][indices[i][j][k]][k] = src[i][j][k] , 如果 dim == 1 \\ input[i][j][indices[i][j][k]] = src[i][j][k] , 如果 dim == 2 \\\end{split}\]

Parameters:

input – 输入QTensor。
dim – 散点轴。
indices – 索引QTensor，应该和输入有相同的维度大小。
src – 要散布的源张量。

Example:

from pyvqnet.tensor import scatter, QTensor
import numpy as np
np.random.seed(25)
npx = np.random.randn(3, 2, 4, 2)
npindex = np.array([2, 3, 1, 2, 1, 2, 3, 0, 2, 3, 1, 2, 3, 2, 0,
                    1]).reshape([2, 2, 4, 1]).astype(np.int64)
x1 = QTensor(npx)
npsrc = QTensor(np.full_like(npindex, 200), dtype=x1.dtype)
npsrc.requires_grad = True
indices1 = QTensor(npindex)
y1 = scatter(x1, 2, indices1, npsrc)
print(y1)

# [[[[  0.2282731   1.0268903]
#    [200.         -0.5911815]
#    [200.         -0.2223257]
#    [200.          1.8379046]]

#   [[200.          0.8685831]
#    [200.         -0.2323119]
#    [200.         -1.3346615]
#    [200.         -1.2460893]]]


#  [[[  1.2022723  -1.0499416]
#    [200.         -0.4196777]
#    [200.         -2.5944874]
#    [200.          0.6808889]]

#   [[200.         -1.9762536]
#    [200.         -0.2908697]
#    [200.          1.9826261]
#    [200.         -1.839905 ]]]


#  [[[  1.6076708   0.3882919]
#    [  0.3997321   0.4054766]
#    [  0.2170018  -0.6334391]
#    [  0.2466215  -1.9395455]]

#   [[  0.1140596  -1.8853414]
#    [  0.2430805  -0.7054807]
#    [  0.3646276  -0.5029522]
#    [ -0.2257515  -0.5655377]]]]

broadcast_to¶

pyvqnet.tensor.broadcast_to(t, ref)¶

受到某些约束，数组 t 被“广播”到参考形状，以便它们具有兼容的形状。

https://numpy.org/doc/stable/user/basics.broadcasting.html

Parameters:

t – 输入QTensor
ref – 参考形状。

Returns:

新广播的 t 的 QTensor。

Example:

from pyvqnet.tensor.tensor import QTensor
from pyvqnet.tensor import *
ref = [2,3,4]
a = ones([4])
b = tensor.broadcast_to(a,ref)
print(b.shape)
#[2, 3, 4]

实用函数¶

to_tensor¶

pyvqnet.tensor.to_tensor(x)¶

将输入数值或 numpy.ndarray 等转换为 QTensor 。

Parameters:: x – 整数、浮点数、布尔数、复数、或 numpy.ndarray
Returns:: 输出 QTensor

Example:

from pyvqnet.tensor import tensor

t = tensor.to_tensor(10.0)
print(t)

# [10.]

pad_sequence¶

pyvqnet.tensor.pad_sequence(qtensor_list, batch_first=False, padding_value=0)¶

用 padding_value 填充可变长度张量列表。 pad_sequence 沿新维度堆叠张量列表，并将它们填充到相等的长度。输入是列表大小为 L x * 的序列。 L 是可变长度。

Parameters:

qtensor_list – list[QTensor]- 可变长度序列列表。
batch_first – ‘bool’ - 如果为真，输出将是 批大小 x 最长序列长度 x * ，否则为 最长序列长度 x 批大小 x * 。默认值: False。
padding_value – ‘float’ - 填充值。默认值：0。

Returns:

如果 batch_first 为 False，则张量大小为 批大小 x 最长序列长度 x *。否则张量的大小为 最长序列长度 x 批大小 x * 。

Examples:

from pyvqnet.tensor import tensor
a = tensor.ones([4, 2,3])
b = tensor.ones([1, 2,3])
c = tensor.ones([2, 2,3])
a.requires_grad = True
b.requires_grad = True
c.requires_grad = True
y = tensor.pad_sequence([a, b, c], True)

print(y)
# [
# [[[1., 1., 1.],
#  [1., 1., 1.]],
# [[1., 1., 1.],
#  [1., 1., 1.]],
# [[1., 1., 1.],
#  [1., 1., 1.]],
# [[1., 1., 1.],
#  [1., 1., 1.]]],
# [[[1., 1., 1.],
#  [1., 1., 1.]],
# [[0., 0., 0.],
#  [0., 0., 0.]],
# [[0., 0., 0.],
#  [0., 0., 0.]],
# [[0., 0., 0.],
#  [0., 0., 0.]]],
# [[[1., 1., 1.],
#  [1., 1., 1.]],
# [[1., 1., 1.],
#  [1., 1., 1.]],
# [[0., 0., 0.],
#  [0., 0., 0.]],
# [[0., 0., 0.],
#  [0., 0., 0.]]]
# ]

pad_packed_sequence¶

pyvqnet.tensor.pad_packed_sequence(sequence, batch_first=False, padding_value=0, total_length=None)¶

填充一批打包的可变长度序列。它是 pack_pad_sequence 的逆操作。当 batch_first 是 True，它将返回 B x T x * 形状的张量，否则返回 T x B x *。其中 T 为序列最长长度, B 为批处理大小。

Parameters:

sequence – ‘QTensor’ - 待处理数据。
batch_first – ‘bool’ - 如果为 True ，批处理将是输入的第一维。默认值：False。
padding_value – ‘bool’ - 填充值。默认:0。
total_length – ‘bool’ - 如果不是 None ，输出将被填充到长度 total_length。默认值：None。

Returns:

包含填充序列的张量元组，以及批次中每个序列的长度列表。批次元素将按照最初的顺序重新排序。

Examples:

from pyvqnet.tensor import tensor
a = tensor.ones([4, 2,3])
b = tensor.ones([2, 2,3])
c = tensor.ones([1, 2,3])
a.requires_grad = True
b.requires_grad = True
c.requires_grad = True
y = tensor.pad_sequence([a, b, c], True)
seq_len = [4, 2, 1]
data = tensor.pack_pad_sequence(y,
                        seq_len,
                        batch_first=True,
                        enforce_sorted=True)

seq_unpacked, lens_unpacked = tensor.pad_packed_sequence(data, batch_first=True)
print(seq_unpacked)
# [[[[1. 1. 1.]
#    [1. 1. 1.]]

#   [[1. 1. 1.]
#    [1. 1. 1.]]

#   [[1. 1. 1.]
#    [1. 1. 1.]]

#   [[1. 1. 1.]
#    [1. 1. 1.]]]


#  [[[1. 1. 1.]
#    [1. 1. 1.]]

#   [[1. 1. 1.]
#    [1. 1. 1.]]

#   [[0. 0. 0.]
#    [0. 0. 0.]]

#   [[0. 0. 0.]
#    [0. 0. 0.]]]


#  [[[1. 1. 1.]
#    [1. 1. 1.]]

#   [[0. 0. 0.]
#    [0. 0. 0.]]

#   [[0. 0. 0.]
#    [0. 0. 0.]]

#   [[0. 0. 0.]
#    [0. 0. 0.]]]]
print(lens_unpacked)
# [4, 2, 1]

pack_pad_sequence¶

pyvqnet.tensor.pack_pad_sequence(input, lengths, batch_first=False, enforce_sorted=True)¶

打包一个包含可变长度填充序列的张量。如果 batch_first 是 True, input 的形状应该为 [批大小,长度,*]，否则形状 [长度，批大小,*]。

对于未排序的序列，使用 enforce_sorted 是 False。如果 enforce_sorted 是 True，序列应该按长度降序排列。

Parameters:

input – ‘QTensor’ - 填充的可变长度序列。
lengths – ‘list’ - 每个批次的序列长度。
batch_first – ‘bool’ - 如果 True，则输入预期为 B x T x * 格式，默认：False。
enforce_sorted – ‘bool’ - 如果 True，输入应该是包含按长度降序排列的序列。如果 False，输入将无条件排序。默认值：True。

Returns:

一个 PackedSequence 对象。

Examples:

from pyvqnet.tensor import tensor
a = tensor.ones([4, 2,3])
c = tensor.ones([1, 2,3])
b = tensor.ones([2, 2,3])
a.requires_grad = True
b.requires_grad = True
c.requires_grad = True
y = tensor.pad_sequence([a, b, c], True)
seq_len = [4, 2, 1]
data = tensor.pack_pad_sequence(y,
                        seq_len,
                        batch_first=True,
                        enforce_sorted=False)
print(data.data)

# [[[1. 1. 1.]
#   [1. 1. 1.]]

#  [[1. 1. 1.]
#   [1. 1. 1.]]

#  [[1. 1. 1.]
#   [1. 1. 1.]]

#  [[1. 1. 1.]
#   [1. 1. 1.]]

#  [[1. 1. 1.]
#   [1. 1. 1.]]

#  [[1. 1. 1.]
#   [1. 1. 1.]]

#  [[1. 1. 1.]
#   [1. 1. 1.]]]

print(data.batch_sizes)
# [3, 2, 1, 1]

QTensor 模块¶

QTensor’s 函数与属性¶

__init__¶

ndim¶

shape¶

size¶

numel¶

dtype¶

zero_grad¶

backward¶

to_numpy¶

item¶

argmax¶

argmin¶

fill_¶

all¶

any¶

fill_rand_binary_¶

fill_rand_signed_uniform_¶

fill_rand_uniform_¶

fill_rand_normal_¶

QTensor.transpose¶

transpose_¶

QTensor.reshape¶

reshape_¶

getdata¶

__getitem__¶

__setitem__¶

创建函数¶

ones¶

ones_like¶

full¶

full_like¶

zeros¶

zeros_like¶

arange¶

linspace¶

logspace¶

eye¶

diag¶

randu¶

randn¶

multinomial¶

triu¶

tril¶

数学函数¶

floor¶

ceil¶

round¶

sort¶

argsort¶

topK¶

argtopK¶

add¶

sub¶

mul¶

divide¶

sums¶

cumsum¶

mean¶

median¶

std¶

var¶

matmul¶

kron¶

reciprocal¶

sign¶

neg¶

trace¶

exp¶

acos¶

asin¶

atan¶

sin¶

cos¶

tan¶

tanh¶

sinh¶

cosh¶

power¶

init¶

getitem¶

setitem¶