1.torch.normal(means,std,out)
means (Tensor) – 均值
std (Tensor) – 标准差
out (Tensor) – 可选的输出张量
这个是官网给出的解释，大意是返回一个张量，张量里面的随机数是从相互独立的正态分布中随机生成的。
例如：
n_data=torch.ones(100,2)
x0=torch.normal(2*n_data,1)
#每个元素是从 均值=2*n_data中对应位置的取值，标准差为1的正态分布中随机生成的
2.torch.cat()
torch.cat是将两个张量（tensor）拼接在一起
例如：
x=torch.cat((x0,x1),0).type(torch.FloatTensor)
#根据维度0合并（竖着拼）
x=torch.cat((x0,x1),1).type(torch.FloatTensor)
#根据维度1合并（横着拼）
3.torch.linear()
torch.linspace(start, end, steps=100, out=None):
返回一个1维张量，包含在start和end上均匀间隔的steps个点
- start (float) -序列起点
- end (float) - 序列终点
- steps (int) - 在
start与end间生成的样本数 - out (Tensor, optional) - 结果张量
4.torch.manual_seed()
为CPU设置种子用于生成随机数，以使得结果是确定的 ,也就是每次生成的随机数是固定的，否则每次生成的随机数都是不固定
对于GPU来说
torch.cuda.manual_seed(args.seed)#单个GPU
torch.cuda.manual_seed_all()#为所有GPU设置种子
5.torch.squeeze()与torch.unsqueeze():
torch.squeeze() 这个函数主要对数据的维度进行压缩，去掉维数为1的的维度，比如是一行或者一列这种，一个一行三列（1,3）的数去掉第一个维数为一的维度之后就变成（3）行。squeeze(a)就是将a中所有为1的维度删掉。不为1的维度没有影响。a.squeeze(N) 就是去掉a中指定的维数为一的维度。还有一种形式就是b=torch.squeeze(a，N) a中去掉指定的维数为一的维度。
torch.unsqueeze()主要是对数据维度进行扩充。给指定位置加上维数为一的维度，比如原本有个三行的数据（3），在0的位置加了一维就变成一行三列（1,3）。a.squeeze(N) 就是在a中指定位置N加上一个维数为1的维度。还有一种形式就是b=torch.squeeze(a，N) a就是在a中指定位置N加上一个维数为1的维度。
比如：
x=torch.unsqueeze(torch.linspace(1,10,10),dim=1)#生成的数据类型是（1，10）
6.torch.gather()
gather(input，dim, index)的作用就是在指定的维度dim上根据index检索input的数值，当dim=0指的是行，逐行根据index读取input位置的数值，dim=1指的是列，逐列根据index检索input的数值。
例子：
a=torch.arange(0,6).view(2,3)
print(a)
0,1,2
3,4,5
index=（[[0,1]]）
b=a.gather(0,index)
print(b)
0,4
7.torch.sum()
torch.sum(input, dim, out=None) → Tensor
- input (Tensor) – 输入张量
- dim (int) – 缩减的维度
- out (Tensor, optional) – 结果张量
- dim(0)按列求和，结果个数和列数相同
- dim(1)按行求和，结果个数和行数相同
来源：CSDN
作者：S-Julie
链接：https://blog.csdn.net/haidahzh/article/details/97243688