1. torch
torch.eye(n, m=None, out=None)
返回 2 维张量，对角线为 1，其他为 0.
torch.ones(*sizes, out=None) -> Tensor
返回形状由可变参数 sizes 决定的全为 1 的张量。
torch.zeros(*sizes, out=None) -> Tensor
返回形状由可变参数 sizes 决定的全为 0 的张量。
torch.linspace(start, end, steps=100, out=None) -> Tensor
返回一个 1 维张量，包含 [start, end] 的 step 个点。
torch.logspace(start, end, steps=100, out=None) -> Tensor
返回一个 1 维张量，包含 [10^start, 10^end] 的 step 个点。
torch.arange(start, end, step=1, out=None) -> Tensor
[start, end)，步长为 step。
torch.range(start, end, step=1, out=None) -> Tensor
[start, end]，步长为 step。
torch.rand(*sizes, out=None) -> Tensor
[0, 1) 均匀分布的一组随机数。
torch.randn(*sizes, out=None) -> Tensor
服从标准正态分布的一组随机数。
torch.randperm(n, out=None) -> Tensor
[0, n-1] 的随机整数序列。
torch.gather(input, dim, index:LongTensor, out=None) -> Tensor
官方定义是这样的:
沿给定轴 dim，将输入索引张量 index 指定位置的值进行聚合。
对一个3维张量，输出可以定义为：
out[i][j][k] = tensor[index[i][j][k]][j][k] # dim=0
out[i][j][k] = tensor[i][index[i][j][k]][k] # dim=1
out[i][j][k] = tensor[i][j][index[i][j][k]] # dim=3
例子：
>>> t = torch.Tensor([[1,2],[3,4]])
>>> torch.gather(t, 1, torch.LongTensor([[0,0],[1,0]]))
1 1
4 3
[torch.FloatTensor of size 2x2]
我是这么理解的，以上面官方例子为例。t 是 [1, 2; 3, 4]，对应的 index 是 [(0, 0), (0, 1); (1, 0), (1, 1)]。
gather 方法中 dim 设置为 1，也就是只有第 1 维索引改变，其他维(在此例中就是 0 维)都不变。
因此索引就变成 [(0, 0), (0, 0); (1, 1), (1, 0)]，对应原先 Tensor 值就是 [1, 1; 4, 3]。
torch.index_select(input, dim, index:LongTensor, out=None) -> Tensor
举个例子就明白了：
>>> x = torch.randn(3, 4)
>>> x
1.2045 2.4084 0.4001 1.1372
0.5596 1.5677 0.6219 -0.7954
1.3635 -1.2313 -0.5414 -1.8478
[torch.FloatTensor of size 3x4]
>>> indices = torch.LongTensor([0, 2])
>>> torch.index_select(x, 0, indices)
1.2045 2.4084 0.4001 1.1372
1.3635 -1.2313 -0.5414 -1.8478
[torch.FloatTensor of size 2x4]
>>> torch.index_select(x, 1, indices)
1.2045 0.4001
0.5596 0.6219
1.3635 -0.5414
[torch.FloatTensor of size 3x2]
torch.masked_select(input, mask:ByteTensor, out=None) -> Tensor
根据掩码张量mask中的二元值，取输入张量中的指定项( mask为一个 ByteTensor)，将取值返回到一个新的1D张量，
张量 mask 须跟 input 张量有相同数量的元素数目，但形状或维度不需要相同。 注意： 返回的张量不与原始张量共享内存空间。
x = torch.randn(3, 4)
>>> x
tensor([[-0.1711, -1.1977, -0.4085, 1.6461],
[ 0.3719, -1.0407, 1.7696, -0.5083],
[-1.1868, -1.0291, 0.1067, 0.3486]])
>>> mask = x.ge(0.5)
>>> mask
tensor([[0, 0, 0, 1],
[0, 0, 1, 0],
[0, 0, 0, 0]], dtype=torch.uint8)
>>> torch.masked_select(x, mask)
tensor([1.6461, 1.7696])
torch.nonzero(input, out=None) -> LongTensor
设 z 为输入张量 input 中所有非零元素的个数，n 为输入张量的维数，那么输出张量的形状为 z*n。
torch.squeeze(input, dim=None, out=None)
将输入张量形状中的 1 去除并返回，若指定 dim 不是 1，则保持张量不变进行返回。
torch.unsqueeze(input, dim, out=None)
与上述函数操作相反。