运算	函数
加	add
减	sub
乘	mul
除	div
矩阵相乘	matmul
次方	pow
平方根及其倒数	sqrt 和 rsqrt
向下/向上取整	floor / ceil
分离出整数/小数	trunc / frac
近似解四舍五入	round
裁剪	clamp

1、矩阵元素的加减乘除

注意是矩阵间对应位置元素进行加减乘除

add 和 +

a = torch.rand(3,4)
b = torch.rand(4)a+b
torch.add(a,b)
# 直接用符号或add函数效果一样，且tensor有broadcast自动扩展b的shape为（3,4）torch.all(torch.eq(a+b,torch.add(a,b))

sub 和 -

mul 和 *

div 和 /

2、矩阵相乘 matmul和@

三种方式：

1、torch.mm
2、torch.matmul
3、运算符@

#其中，mm只支持2d的tensor，不建议使用。直接用matmul或者运算符@

以神经网络中的线性层为例：
将shape为（4,784）的x降维度到（4,512）

x = torch.rand(4,784)w = torch.rand(512,784)
#pytorch的习惯写法是out维度在前，要@运算的时候将w转置即可(x@w.t()).shape

多维情况下的matmul
依旧只对后两维矩阵进行相乘，并且还是有broadcast自动扩展机制

a = torch.rand(4, 3, 28, 64)
b = torch.rand(4, 3, 64, 32)
torch.matmul(a,b).shapeb = torch.rand(4, 1, 64, 32)
torch.matmul(a,b).shape

3、次方运算

① 次方 pow 或 **
a.pow(x)
#a为张量，x为次方数

a = torch.full([2,2],3)
a.pow(2)
a**2

② 平方根 sqrt
a.sqrt()相当于 a**(0.5)

aa = a**2aa.sqrt()aa**(0.5)

③rsqrt
a.rsqrt() 是a.sqrt()结果的倒数
也可以是a.sqrt()**(-1)

aa.rsqrt()aa.sqrt()**(-1)

总结：所有的次方运算都可以用pow()或运算符**实现

4、近似解运算

例子：
a=torch.tensor(3.14)
a.floor()向下取整得到3
a.ceil()向上取整得到4
a.trunc()分离出整数部分3
a.frac()分离出小数部分0.14
a.round()四舍五入得到3

5、裁剪运算

用的较多的是梯度裁剪

grad = 15 * torch.rand(2,3)
grad.max()gradgrad.clamp(10)
#只有一个参数10表示限定grad中元素数值最小为10grad.clamp(9,10)
#限制最小为9，最大为10