torch.randn()
产生大小为指定的，正态分布的采样点，数据类型是tensor
torch.mean()
torch.mean(input) 输出input 各个元素的的均值，不指定任何参数就是所有元素的算术平均值，指定参数可以计算每一行或者 每一列的算术平均数
例如：
代码语言：javascript复制a=torch.randn(3) #生成一个一维的矩阵
b=torch.randn(1,3) #生成一个二维的矩阵
print(a)
print(b)
torch.mean(a)结果：
代码语言：javascript复制tensor([-1.0737, -0.8689, -0.9553])
tensor([[-0.4005, -0.6812, 0.0958]])
tensor(-0.9659)如果指定参数的话，
代码语言：javascript复制a=torch.randn(4,4)
print(a)
c=torch.mean(a,dim=0,keepdim=True)
print(c)
d=torch.mean(a,dim=1,keepdim=True)
print(d)结果：
代码语言：javascript复制tensor([[ 0.2378, -1.1380, 0.7964, -0.1413],
[ 0.4622, -1.7003, -1.1628, 0.8930],
[-2.0379, -1.7137, 0.6423, -0.2026],
[ 0.3512, -0.1251, -0.8315, 2.2642]])
tensor([[-0.2467, -1.1693, -0.1389, 0.7033]])
tensor([[-0.0612],
[-0.3770],
[-0.8280],
[ 0.4147]])可以看到dim指定为1时，求得是行的平均值，指定为0时，求得是列的平均值。
torch.pow()
对输入的每分量求幂次运算
代码语言：javascript复制a=torch.tensor(3)
b=torch.pow(a,2)
print(b)
c=torch.randn(4)
print(c)
d=torch.pow(c,2)
print(d)结果：
代码语言：javascript复制tensor(9)
tensor([ 0.0923, 0.7006, -0.2963, 0.6543])
tensor([0.0085, 0.4909, 0.0878, 0.4282])torch.matmul()
torch.matmul 是做矩阵乘法
例如：
代码语言：javascript复制a=torch.tensor([1,2,3])
b=torch.tensor([3,4,5])
torch.matmul(a, b)结果：
代码语言：javascript复制tensor(26)torch.ones_like()
torch.ones_like(input, dtype=None, layout=None, device=None, requires_grad=False) → Tensor
返回一个填充了标量值1的张量，其大小与之相同 input。
我是在Pytorch自动求导中第一次发现此方法的，
例如：
代码语言：javascript复制import torch
from torch.autograd import Variable
m = Variable(torch.FloatTensor([[2, 3]]), requires_grad=True) # 构建一个 1 x 2 的矩阵
n = Variable(torch.zeros(1, 2)) # 构建一个相同大小的 0 矩阵
print(m)
print(n)
# 通过 m 中的值计算新的 n 中的值
n[0, 0] = m[0, 0] ** 2
n[0, 1] = m[0, 1] ** 3
print(n[0,0])
print(n)结果：
代码语言：javascript复制tensor([[2., 3.]], requires_grad=True)
tensor([[0., 0.]])
tensor(4., grad_fn=<SelectBackward>)
tensor([[ 4., 27.]], grad_fn=<CopySlices>)n.backward(torch.ones_like(n))
# 相当于n.backward(torch.FloatTensor([[1,1]]))
print(m.grad)结果：
代码语言：javascript复制tensor([[ 4., 27.]])
