命名张量操作覆盖率 ¶

请先阅读命名张量以了解命名张量的介绍。

本文档是关于命名推断的参考，命名推断是一个定义如何定义命名张量的过程：

使用名称提供额外的自动运行时正确性检查
将名称从输入张量传播到输出张量

以下是所有支持命名张量的操作及其相关名称推理规则列表。

如果您在这里没有看到列出的操作，但这对您的用例有帮助，请搜索是否已经提交了相关的问题，如果没有，请提交一个问题。

警告

命名张量 API 是实验性的，可能会发生变化。

支持的操作
API	命名推断规则
`Tensor.abs()`, `torch.abs()`	保留输入名称
`Tensor.abs_()`	保留输入名称
`Tensor.acos()`, `torch.acos()`	保留输入名称
`Tensor.acos_()`	保留输入名称
`Tensor.add()`, `torch.add()`	统一输入名称
`Tensor.add_()`	统一输入名称
`Tensor.addmm()`, `torch.addmm()`	合同移除维度
`Tensor.addmm_()`	合同移除维度
`Tensor.addmv()`, `torch.addmv()`	合同移除维度
`Tensor.addmv_()`	合同移除维度
`Tensor.align_as()`	查看文档
`Tensor.align_to()`	查看文档
`Tensor.all()`, `torch.all()`	无
`Tensor.any()`, `torch.any()`	无
`Tensor.asin()`, `torch.asin()`	保留输入名称
`Tensor.asin_()`	保留输入名称
`Tensor.atan()`, `torch.atan()`	保持输入名称
`Tensor.atan2()`, `torch.atan2()`	统一输入名称
`Tensor.atan2_()`	统一输入名称
`Tensor.atan_()`	保持输入名称
`Tensor.bernoulli()`, `torch.bernoulli()`	保持输入名称
`Tensor.bernoulli_()`	无
`Tensor.bfloat16()`	保持输入名称
`Tensor.bitwise_not()`, `torch.bitwise_not()`	保持输入名称
`Tensor.bitwise_not_()`	无
`Tensor.bmm()`, `torch.bmm()`	移除维度
`Tensor.bool()`	保持输入名称
`Tensor.byte()`	保持输入名称
`torch.cat()`	统一输入名称
`Tensor.cauchy_()`	无
`Tensor.ceil()`, `torch.ceil()`	保持输入名称
`Tensor.ceil_()`	无
`Tensor.char()`	保持输入名称
`Tensor.chunk()`, `torch.chunk()`	保持输入名称
`Tensor.clamp()`, `torch.clamp()`	保持输入名称
`Tensor.clamp_()`	无
`Tensor.copy_()`	保持输出函数和就地变体
`Tensor.cos()`, `torch.cos()`	保持输入名称
`Tensor.cos_()`	无
`Tensor.cosh()`, `torch.cosh()`	保持输入名称
`Tensor.cosh_()`	无
`Tensor.acosh()`, `torch.acosh()`	保持输入名称
`Tensor.acosh_()`	无
`Tensor.cpu()`	保持输入名称
`Tensor.cuda()`	保持输入名称
`Tensor.cumprod()`, `torch.cumprod()`	保持输入名称
`Tensor.cumsum()`, `torch.cumsum()`	保持输入名称
`Tensor.data_ptr()`	无
`Tensor.deg2rad()`, `torch.deg2rad()`	保持输入名称
`Tensor.deg2rad_()`	无
`Tensor.detach()`, `torch.detach()`	保持输入名称
`Tensor.detach_()`	无
`Tensor.device`, `torch.device()`	无
`Tensor.digamma()`, `torch.digamma()`	保持输入名称
`Tensor.digamma_()`	无
`Tensor.dim()`	无
`Tensor.div()`, `torch.div()`	统一输入名称
`Tensor.div_()`	统一输入名称
`Tensor.dot()`, `torch.dot()`	无
`Tensor.double()`	保持输入名称
`Tensor.element_size()`	无
`torch.empty()`	工厂函数
`torch.empty_like()`	工厂函数
`Tensor.eq()`, `torch.eq()`	统一输入名称
`Tensor.erf()`, `torch.erf()`	保持输入名称
`Tensor.erf_()`	无
`Tensor.erfc()`, `torch.erfc()`	保持输入名称
`Tensor.erfc_()`	无
`Tensor.erfinv()`, `torch.erfinv()`	保持输入名称
`Tensor.erfinv_()`	无
`Tensor.exp()`, `torch.exp()`	保持输入名称
`Tensor.exp_()`	无
`Tensor.expand()`	保持输入名称
`Tensor.expm1()`, `torch.expm1()`	保持输入名称
`Tensor.expm1_()`	无
`Tensor.exponential_()`	无
`Tensor.fill_()`	无
`Tensor.flatten()`, `torch.flatten()`	查看文档
`Tensor.float()`	保持输入名称
`Tensor.floor()`, `torch.floor()`	保留输入名称
`Tensor.floor_()`	无
`Tensor.frac()`, `torch.frac()`	保留输入名称
`Tensor.frac_()`	无
`Tensor.ge()`, `torch.ge()`	统一输入名称
`Tensor.get_device()`, `torch.get_device()`	无
`Tensor.grad`	无
`Tensor.gt()`, `torch.gt()`	统一输入名称
`Tensor.half()`	保持输入名称
`Tensor.has_names()`	查看文档
`Tensor.index_fill()`, `torch.index_fill()`	保持输入名称
`Tensor.index_fill_()`	无
`Tensor.int()`	保持输入名称
`Tensor.is_contiguous()`	无
`Tensor.is_cuda`	无
`Tensor.is_floating_point()`, `torch.is_floating_point()`	无
`Tensor.is_leaf`	无
`Tensor.is_pinned()`	无
`Tensor.is_shared()`	无
`Tensor.is_signed()`, `torch.is_signed()`	无
`Tensor.is_sparse`	无
`Tensor.is_sparse_csr`	无
`torch.is_tensor()`	无
`Tensor.item()`	无
`Tensor.itemsize`	无
`Tensor.kthvalue()`, `torch.kthvalue()`	移除维度
`Tensor.le()`, `torch.le()`	统一输入名称
`Tensor.log()`, `torch.log()`	保留输入名称
`Tensor.log10()`, `torch.log10()`	保留输入名称
`Tensor.log10_()`	无
`Tensor.log1p()`, `torch.log1p()`	保留输入名称
`Tensor.log1p_()`	无
`Tensor.log2()`, `torch.log2()`	保留输入名称
`Tensor.log2_()`	无
`Tensor.log_()`	无
`Tensor.log_normal_()`	无
`Tensor.logical_not()`, `torch.logical_not()`	保留输入名称
`Tensor.logical_not_()`	无
`Tensor.logsumexp()`, `torch.logsumexp()`	移除维度
`Tensor.long()`	保持输入名称
`Tensor.lt()`, `torch.lt()`	统一输入名称
`torch.manual_seed()`	无
`Tensor.masked_fill()`, `torch.masked_fill()`	保持输入名称
`Tensor.masked_fill_()`	无
`Tensor.masked_select()`, `torch.masked_select()`	将掩码与输入对齐，然后统一输入张量名称
`Tensor.matmul()`, `torch.matmul()`	合同移除维度
`Tensor.mean()`, `torch.mean()`	移除维度
`Tensor.median()`, `torch.median()`	移除维度
`Tensor.nanmedian()`, `torch.nanmedian()`	移除维度
`Tensor.mm()`, `torch.mm()`	合同移除维度
`Tensor.mode()`, `torch.mode()`	移除维度
`Tensor.mul()`, `torch.mul()`	统一输入名称
`Tensor.mul_()`	统一输入名称
`Tensor.mv()`, `torch.mv()`	合同移除维度
`Tensor.names`	查看文档
`Tensor.narrow()`, `torch.narrow()`	保留输入名称
`Tensor.nbytes`	无
`Tensor.ndim`	无
`Tensor.ndimension()`	无
`Tensor.ne()`, `torch.ne()`	统一输入名称
`Tensor.neg()`, `torch.neg()`	保持输入名称
`Tensor.neg_()`	无
`torch.normal()`	保持输入名称
`Tensor.normal_()`	无
`Tensor.numel()`, `torch.numel()`	无
`torch.ones()`	工厂函数
`Tensor.pow()`, `torch.pow()`	统一输入名称
`Tensor.pow_()`	无
`Tensor.prod()`, `torch.prod()`	移除维度
`Tensor.rad2deg()`, `torch.rad2deg()`	保留输入名称
`Tensor.rad2deg_()`	无
`torch.rand()`	工厂函数
`torch.rand()`	工厂函数
`torch.randn()`	工厂函数
`torch.randn()`	工厂函数
`Tensor.random_()`	无
`Tensor.reciprocal()`, `torch.reciprocal()`	保持输入名称
`Tensor.reciprocal_()`	无
`Tensor.refine_names()`	查看文档
`Tensor.register_hook()`	无
`Tensor.register_post_accumulate_grad_hook()`	无
`Tensor.rename()`	查看文档
`Tensor.rename_()`	查看文档
`Tensor.requires_grad`	无
`Tensor.requires_grad_()`	无
`Tensor.resize_()`	只允许不改变形状的缩放
`Tensor.resize_as_()`	只允许不改变形状的缩放
`Tensor.round()`, `torch.round()`	保持输入名称
`Tensor.round_()`	无
`Tensor.rsqrt()`, `torch.rsqrt()`	保持输入名称
`Tensor.rsqrt_()`	无
`Tensor.select()`, `torch.select()`	移除维度
`Tensor.short()`	保留输入名称
`Tensor.sigmoid()`, `torch.sigmoid()`	保留输入名称
`Tensor.sigmoid_()`	无
`Tensor.sign()`, `torch.sign()`	保留输入名称
`Tensor.sign_()`	无
`Tensor.sgn()`, `torch.sgn()`	保持输入名称
`Tensor.sgn_()`	无
`Tensor.sin()`, `torch.sin()`	保持输入名称
`Tensor.sin_()`	无
`Tensor.sinh()`, `torch.sinh()`	保持输入名称
`Tensor.sinh_()`	无
`Tensor.asinh()`, `torch.asinh()`	保持输入名称
`Tensor.asinh_()`	无
`Tensor.size()`	无
`Tensor.softmax()`, `torch.softmax()`	保留输入名称
`Tensor.split()`, `torch.split()`	保留输入名称
`Tensor.sqrt()`, `torch.sqrt()`	保留输入名称
`Tensor.sqrt_()`	无
`Tensor.squeeze()`, `torch.squeeze()`	移除维度
`Tensor.std()`, `torch.std()`	移除维度
`torch.std_mean()`	移除维度
`Tensor.stride()`	无
`Tensor.sub()`, `torch.sub()`	统一输入名称
`Tensor.sub_()`	统一输入名称
`Tensor.sum()`, `torch.sum()`	移除维度
`Tensor.tan()`, `torch.tan()`	保留输入名称
`Tensor.tan_()`	无
`Tensor.tanh()`, `torch.tanh()`	保留输入名称
`Tensor.tanh_()`	无
`Tensor.atanh()`, `torch.atanh()`	保留输入名称
`Tensor.atanh_()`	无
`torch.tensor()`	工厂函数
`Tensor.to()`	保持输入名称
`Tensor.topk()`, `torch.topk()`	移除维度
`Tensor.transpose()`, `torch.transpose()`	交换维度
`Tensor.trunc()`, `torch.trunc()`	保留输入名称
`Tensor.trunc_()`	无
`Tensor.type()`	无
`Tensor.type_as()`	保留输入名称
`Tensor.unbind()`, `torch.unbind()`	移除维度
`Tensor.unflatten()`	查看文档
`Tensor.uniform_()`	无
`Tensor.var()`, `torch.var()`	移除维度
`torch.var_mean()`	移除维度
`Tensor.zero_()`	无
`torch.zeros()`	工厂函数

保持输入名称 ¶

所有点对一元函数都遵循此规则，以及一些其他一元函数。

检查名称：无
传播名称：输入张量的名称传播到输出。

>>> x = torch.randn(3, 3, names=('N', 'C'))
>>> x.abs().names
('N', 'C')

移除维度 ¶

所有通过减少所需维度来删除维度的操作，如 sum() 。其他操作如 select() 和 squeeze() 也是删除维度。

当可以在操作符中传递整数维度索引时，也可以传递维度名称。接受维度索引列表的函数也可以接受维度名称列表。

检查名称：如果 dim 或 dims 作为名称列表传递，则检查这些名称是否存在于 self 中。
传播名称：如果由 dim 或 dims 指定的输入张量的维度不在输出张量中，则相应维度的名称不会出现在 output.names 中。

>>> x = torch.randn(1, 3, 3, 3, names=('N', 'C', 'H', 'W'))
>>> x.squeeze('N').names
('C', 'H', 'W')

>>> x = torch.randn(3, 3, 3, 3, names=('N', 'C', 'H', 'W'))
>>> x.sum(['N', 'C']).names
('H', 'W')

# Reduction ops with keepdim=True don't actually remove dimensions.
>>> x = torch.randn(3, 3, 3, 3, names=('N', 'C', 'H', 'W'))
>>> x.sum(['N', 'C'], keepdim=True).names
('N', 'C', 'H', 'W')

统一输入中的名称 ¶

所有二进制算术运算遵循此规则。广播操作仍然按位置从右向左广播，以保持与未命名张量的兼容性。要使用名称进行显式广播，请使用 Tensor.align_as() 。

检查名称：所有名称必须从右向左位置匹配。即，在 tensor + other 中， match(tensor.names[i], other.names[i]) 必须对所有 i 在 (-min(tensor.dim(), other.dim()) + 1, -1] 中为真。
检查名称：此外，所有命名维度必须从右向左对齐。在匹配过程中，如果我们匹配一个命名维度 A 与一个未命名维度 None ，那么 A 必须不在具有未命名维度的张量中出现。
将名称传播：从右侧统一两个张量中的名称对以生成输出名称。

例如，

# tensor: Tensor[   N, None]
# other:  Tensor[None,    C]
>>> tensor = torch.randn(3, 3, names=('N', None))
>>> other = torch.randn(3, 3, names=(None, 'C'))
>>> (tensor + other).names
('N', 'C')

检查名称：

match(tensor.names[-1], other.names[-1]) 是 True
match(tensor.names[-2], tensor.names[-2]) 是 True
因为我们在 tensor 中匹配了 'C' ，所以检查 'C' 是否存在于 tensor 中（它不存在）。
检查 @3# 是否存在于 other 中（它不存在）。

最后，输出名称通过 [unify('N', None), unify(None, 'C')] = ['N', 'C'] 计算得出。

更多示例：

# Dimensions don't match from the right:
# tensor: Tensor[N, C]
# other:  Tensor[   N]
>>> tensor = torch.randn(3, 3, names=('N', 'C'))
>>> other = torch.randn(3, names=('N',))
>>> (tensor + other).names
RuntimeError: Error when attempting to broadcast dims ['N', 'C'] and dims
['N']: dim 'C' and dim 'N' are at the same position from the right but do
not match.

# Dimensions aren't aligned when matching tensor.names[-1] and other.names[-1]:
# tensor: Tensor[N, None]
# other:  Tensor[      N]
>>> tensor = torch.randn(3, 3, names=('N', None))
>>> other = torch.randn(3, names=('N',))
>>> (tensor + other).names
RuntimeError: Misaligned dims when attempting to broadcast dims ['N'] and
dims ['N', None]: dim 'N' appears in a different position from the right
across both lists.

注意

在这两个示例中，可以通过名称对张量进行对齐，然后执行加法操作。使用 Tensor.align_as() 对张量按名称对齐，或使用 Tensor.align_to() 对张量进行自定义维度排序。

重新排列维度

一些操作，如 Tensor.t() ，会改变维度的顺序。维度名称附加到各个维度上，因此它们也会一起重新排列。

如果操作符接受位置索引 dim ，它也能接受维度名称作为 dim 。

检查名称：如果 dim 作为名称传递，检查它是否存在于张量中。
传播名称：以与正在置换的维度相同的方式置换维度名称。

>>> x = torch.randn(3, 3, names=('N', 'C'))
>>> x.transpose('N', 'C').names
('C', 'N')

合并维度 ¶

矩阵乘法函数遵循某种变体。让我们首先通过 torch.mm() 来进行，然后推广批量矩阵乘法的规则。

对于 torch.mm(tensor, other) :

检查名称：无
传播名称：结果名称为 (tensor.names[-2], other.names[-1]) 。

>>> x = torch.randn(3, 3, names=('N', 'D'))
>>> y = torch.randn(3, 3, names=('in', 'out'))
>>> x.mm(y).names
('N', 'out')

本质上，矩阵乘法在两个维度上执行点积，并将它们折叠。当两个张量进行矩阵乘法时，收缩的维度会消失，不会出现在输出张量中。

torch.mv() 和 torch.dot() 的工作方式类似：名称推断不会检查输入名称，并移除参与点积的维度：

>>> x = torch.randn(3, 3, names=('N', 'D'))
>>> y = torch.randn(3, names=('something',))
>>> x.mv(y).names
('N',)

现在，让我们看看 torch.matmul(tensor, other) 。假设 tensor.dim() >= 2 和 other.dim() >= 2 。

检查名称：检查输入的批次维度是否对齐且可广播。参见“从输入统一名称”了解输入对齐的含义。
扩散名称：结果名称通过统一批维度并移除收缩维度获得： unify(tensor.names[:-2], other.names[:-2]) + (tensor.names[-2], other.names[-1]) 。

示例：

# Batch matrix multiply of matrices Tensor['C', 'D'] and Tensor['E', 'F'].
# 'A', 'B' are batch dimensions.
>>> x = torch.randn(3, 3, 3, 3, names=('A', 'B', 'C', 'D'))
>>> y = torch.randn(3, 3, 3, names=('B', 'E', 'F'))
>>> torch.matmul(x, y).names
('A', 'B', 'C', 'F')

最后，许多矩阵乘法函数都有融合的 add 版本。例如， addmm() 和 addmv() 。这些被视为组成名称推断的 i.e. mm() 和名称推断的 add() 。

工厂函数 ¶

工厂函数现在接受一个新的 names 参数，该参数将每个维度与一个名称关联。

>>> torch.zeros(2, 3, names=('N', 'C'))
tensor([[0., 0., 0.],
        [0., 0., 0.]], names=('N', 'C'))

输出函数和就地变体

指定为 out= 张量的张量具有以下行为：

如果它没有命名维度，则从操作中计算出的名称将传播到它。
如果它有任何命名维度，则从操作中计算出的名称必须与现有名称完全相等。否则，操作将出错。

所有原地方法都修改输入，使其名称与名称推理计算出的名称相等。例如：

>>> x = torch.randn(3, 3)
>>> y = torch.randn(3, 3, names=('N', 'C'))
>>> x.names
(None, None)

>>> x += y
>>> x.names
('N', 'C')