Overview_cn.rst

paddle

paddle 目录下包含 tensor、device、framework 相关 API 以及某些高层 API。具体如下：

• :ref:`tensor 数学操作 <tensor_math>`
• :ref:`tensor 数学操作原位（inplace）版本 <tensor_math_inplace>`
• :ref:`tensor 逻辑操作 <tensor_logic>`
• :ref:`tensor 属性相关 <tensor_attribute>`
• :ref:`tensor 创建相关 <tensor_creation>`
• :ref:`tensor 元素查找相关 <tensor_search>`
• :ref:`tensor 初始化相关 <tensor_initializer>`
• :ref:`tensor random 相关 <tensor_random>`
• :ref:`tensor 线性代数相关 <tensor_linalg>`
• :ref:`tensor 元素操作相关（如：转置，reshape 等） <tensor_manipulation>`
• :ref:`tensor 元素操作相关原位（inplace）版本 <tensor_manipulation_inplace>`
• :ref:`爱因斯坦求和 <einsum>`
• :ref:`framework 相关 <about_framework>`
• :ref:`device 相关 <about_device>`
• :ref:`高层 API 相关 <about_hapi>`
• :ref:`稀疏 API 相关 <about_sparse_api>`

tensor 数学操作

API 名称	API 功能
:ref:`paddle.abs <cn_api_fluid_layers_abs>`	绝对值函数
:ref:`paddle.angle <cn_api_paddle_angle>`	相位角函数
:ref:`paddle.acos <cn_api_fluid_layers_acos>`	arccosine 函数
:ref:`paddle.add <cn_api_tensor_add>`	Tensor 逐元素相加
:ref:`paddle.add_n <cn_api_tensor_add_n>`	对输入的一至多个 Tensor 求和
:ref:`paddle.addmm <cn_api_tensor_addmm>`	计算输入 Tensor x 和 y 的乘积，将结果乘以标量 alpha，再加上 input 与 beta 的乘积，得到输出
:ref:`paddle.all <cn_api_tensor_all>`	对指定维度上的 Tensor 元素进行逻辑与运算
:ref:`paddle.allclose <cn_api_tensor_allclose>`	逐个检查输入 Tensor x 和 y 的所有元素是否均满足 ∣x−y∣≤atol+rtol×∣y∣
:ref:`paddle.isclose <cn_api_tensor_isclose>`	逐个检查输入 Tensor x 和 y 的所有元素是否满足 ∣x−y∣≤atol+rtol×∣y∣
:ref:`paddle.any <cn_api_tensor_any>`	对指定维度上的 Tensor 元素进行逻辑或运算
:ref:`paddle.asin <cn_api_fluid_layers_asin>`	arcsine 函数
:ref:`paddle.atan <cn_api_fluid_layers_atan>`	arctangent 函数
:ref:`paddle.atan2 <cn_api_paddle_atan2>`	arctangent2 函数
:ref:`paddle.ceil <cn_api_fluid_layers_ceil>`	向上取整运算函数
:ref:`paddle.clip <cn_api_tensor_clip>`	将输入的所有元素进行剪裁，使得输出元素限制在[min, max]内
:ref:`paddle.conj <cn_api_tensor_conj>`	逐元素计算 Tensor 的共轭运算
:ref:`paddle.cos <cn_api_fluid_layers_cos>`	余弦函数
:ref:`paddle.cosh <cn_api_fluid_layers_cosh>`	双曲余弦函数
:ref:`paddle.count_nonzero <cn_api_tensor_cn_count_nonzero>`	沿给定的轴 axis 统计非零元素的数量
:ref:`paddle.cumsum <cn_api_tensor_cn_cumsum>`	沿给定 axis 计算 Tensor x 的累加和
:ref:`paddle.cummax <cn_api_tensor_cn_cummax>`	沿给定 axis 计算 Tensor x 的累计最大值
:ref:`paddle.cummin <cn_api_tensor_cn_cummin>`	沿给定 axis 计算 Tensor x 的累计最小值
:ref:`paddle.cumprod <cn_api_tensor_cn_cumprod>`	沿给定 dim 计算 Tensor x 的累乘
:ref:`paddle.digamma <cn_api_paddle_digamma>`	逐元素计算输入 x 的 digamma 函数值
:ref:`paddle.divide <cn_api_tensor_divide>`	逐元素相除算子
:ref:`paddle.equal <cn_api_tensor_equal>`	返回 x==y 逐元素比较 x 和 y 是否相等，相同位置的元素相同则返回 True，否则返回 False
:ref:`paddle.equal_all <cn_api_tensor_equal_all>`	如果所有相同位置的元素相同返回 True，否则返回 False
:ref:`paddle.erf <cn_api_fluid_layers_erf>`	逐元素计算 Erf 激活函数
:ref:`paddle.exp <cn_api_fluid_layers_exp>`	逐元素进行以自然数 e 为底指数运算
:ref:`paddle.expm1 <cn_api_paddle_expm1>`	逐元素进行 exp(x)-1 运算
:ref:`paddle.floor <cn_api_fluid_layers_floor>`	向下取整函数
:ref:`paddle.floor_divide <cn_api_tensor_floor_divide>`	逐元素整除算子，输入 x 与输入 y 逐元素整除，并将各个位置的输出元素保存到返回结果中
:ref:`paddle.greater_equal <cn_api_tensor_cn_greater_equal>`	逐元素地返回 x>=y 的逻辑值
:ref:`paddle.greater_than <cn_api_tensor_cn_greater_than>`	逐元素地返回 x>y 的逻辑值
:ref:`paddle.heaviside <cn_api_paddle_tensor_heaviside>`	逐元素地对 x 计算由 y 中的对应元素决定的赫维赛德阶跃函数
:ref:`paddle.increment <cn_api_tensor_increment>`	在控制流程中用来让 x 的数值增加 value
:ref:`paddle.kron <cn_api_paddle_tensor_kron>`	计算两个 Tensor 的克罗内克积
:ref:`paddle.less_equal <cn_api_tensor_cn_less_equal>`	逐元素地返回 x<=y 的逻辑值
:ref:`paddle.less_than <cn_api_tensor_cn_less_than>`	逐元素地返回 x<y 的逻辑值
:ref:`paddle.lgamma <cn_api_paddle_lgamma>`	计算输入 x 的 gamma 函数的自然对数并返回
:ref:`paddle.log <cn_api_fluid_layers_log>`	Log 激活函数（计算自然对数）
:ref:`paddle.log10 <cn_api_paddle_tensor_math_log10>`	Log10 激活函数（计算底为 10 的对数）
:ref:`paddle.log2 <cn_api_paddle_tensor_math_log2>`	计算 Log1p（加一的自然对数）结果
:ref:`paddle.logcumsumexp <cn_api_paddle_tensor_math_logsumexp>`	计算 x 的指数的前缀和的对数
:ref:`paddle.logical_and <cn_api_fluid_layers_logical_and>`	逐元素的对 x 和 y 进行逻辑与运算
:ref:`paddle.logical_not <cn_api_fluid_layers_logical_not>`	逐元素的对 X Tensor 进行逻辑非运算
:ref:`paddle.logical_or <cn_api_fluid_layers_logical_or>`	逐元素的对 X 和 Y 进行逻辑或运算
:ref:`paddle.logical_xor <cn_api_fluid_layers_logical_xor>`	逐元素的对 X 和 Y 进行逻辑异或运算
:ref:`paddle.logit <cn_api_tensor_logit>`	计算 logit 结果
:ref:`paddle.bitwise_and <cn_api_tensor_bitwise_and>`	逐元素的对 x 和 y 进行按位与运算
:ref:`paddle.bitwise_not <cn_api_tensor_bitwise_not>`	逐元素的对 X Tensor 进行按位取反运算
:ref:`paddle.bitwise_or <cn_api_tensor_bitwise_or>`	逐元素的对 X 和 Y 进行按位或运算
:ref:`paddle.bitwise_xor <cn_api_tensor_bitwise_xor>`	逐元素的对 X 和 Y 进行按位异或运算
:ref:`paddle.logsumexp <cn_api_paddle_tensor_math_logsumexp>`	沿着 axis 计算 x 的以 e 为底的指数的和的自然对数
:ref:`paddle.max <cn_api_paddle_tensor_max>`	对指定维度上的 Tensor 元素求最大值运算
:ref:`paddle.amax <cn_api_paddle_tensor_max>`	对指定维度上的 Tensor 元素求最大值运算
:ref:`paddle.maximum <cn_api_paddle_tensor_maximum>`	逐元素对比输入的两个 Tensor，并且把各个位置更大的元素保存到返回结果中
:ref:`paddle.mean <cn_api_tensor_cn_mean>`	沿 axis 计算 x 的平均值
:ref:`paddle.median <cn_api_tensor_cn_median>`	沿给定的轴 axis 计算 x 中元素的中位数
:ref:`paddle.nanmedian <cn_api_tensor_cn_nanmedian>`	沿给定的轴 axis 忽略 NAN 元素计算 x 中元素的中位数
:ref:`paddle.min <cn_api_paddle_tensor_min>`	对指定维度上的 Tensor 元素求最小值运算
:ref:`paddle.amin <cn_api_paddle_tensor_min>`	对指定维度上的 Tensor 元素求最小值运算
:ref:`paddle.minimum <cn_api_paddle_tensor_minimum>`	逐元素对比输入的两个 Tensor，并且把各个位置更小的元素保存到返回结果中
:ref:`paddle.mm <cn_api_tensor_mm>`	用于两个输入矩阵的相乘
:ref:`paddle.inner <cn_api_tensor_inner>`	计算两个输入矩阵的内积
:ref:`paddle.outer <cn_api_tensor_outer>`	计算两个输入矩阵的外积
:ref:`paddle.multiplex <cn_api_fluid_layers_multiplex>`	从每个输入 Tensor 中选择特定行构造输出 Tensor
:ref:`paddle.multiply <cn_api_fluid_layers_multiply>`	逐元素相乘算子
:ref:`paddle.ldexp <cn_api_layers_ldexp>`	计算 x 乘以 2 的 y 次幂
:ref:`paddle.nan_to_num <cn_api_tensor_nan_to_num>`	替换 x 中的 NaN、+inf、-inf 为指定值
:ref:`paddle.neg <cn_api_paddle_neg>`	计算输入 x 的相反数并返回
:ref:`paddle.nextafter <cn_api_paddle_nextafter>`	逐元素将 x 之后的下一个浮点值返回
:ref:`paddle.not_equal <cn_api_tensor_not_equal>`	逐元素地返回 x!=y 的逻辑值
:ref:`paddle.pow <cn_api_paddle_tensor_math_pow>`	指数算子，逐元素计算 x 的 y 次幂
:ref:`paddle.prod <cn_api_tensor_cn_prod>`	对指定维度上的 Tensor 元素进行求乘积运算
:ref:`paddle.reciprocal <cn_api_fluid_layers_reciprocal>`	对输入 Tensor 取倒数
:ref:`paddle.round <cn_api_fluid_layers_round>`	将输入中的数值四舍五入到最接近的整数数值
:ref:`paddle.rsqrt <cn_api_fluid_layers_rsqrt>`	rsqrt 激活函数
:ref:`paddle.scale <cn_api_fluid_layers_scale>`	缩放算子
:ref:`paddle.sign <cn_api_tensor_sign>`	对输入 x 中每个元素进行正负判断
:ref:`paddle.sgn <cn_api_tensor_sgn>`	对输入 x 中每个元素进行正负判断，对于复数则输出单位向量
:ref:`paddle.sin <cn_api_fluid_layers_sin>`	计算输入的正弦值
:ref:`paddle.sinh <cn_api_fluid_layers_sinh>`	双曲正弦函数
:ref:`paddle.sqrt <cn_api_fluid_layers_sqrt>`	计算输入的算数平方根
:ref:`paddle.square <cn_api_fluid_layers_square>`	逐元素取平方运算
:ref:`paddle.stanh <cn_api_fluid_layers_stanh>`	stanh 激活函数
:ref:`paddle.std <cn_api_tensor_cn_std>`	沿给定的轴 axis 计算 x 中元素的标准差
:ref:`paddle.subtract <cn_api_paddle_tensor_subtract>`	逐元素相减算子
:ref:`paddle.remainder <cn_api_tensor_remainder>`	逐元素取模算子
:ref:`paddle.sum <cn_api_tensor_sum>`	对指定维度上的 Tensor 元素进行求和运算
:ref:`paddle.tan <cn_api_fluid_layers_tan>`	三角函数 tangent
:ref:`paddle.tanh <cn_api_tensor_tanh>`	tanh 激活函数
:ref:`paddle.trace <cn_api_tensor_trace>`	计算输入 Tensor 在指定平面上的对角线元素之和
:ref:`paddle.var <cn_api_tensor_cn_var>`	沿给定的轴 axis 计算 x 中元素的方差
:ref:`paddle.diagonal <cn_api_tensor_diagonal>`	根据给定的轴 axis 返回输入 Tensor 的局部视图
:ref:`paddle.trunc <cn_api_tensor_trunc>`	对输入 Tensor 每个元素的小数部分进行截断
:ref:`paddle.frac <cn_api_tensor_frac>`	得到输入 Tensor 每个元素的小数部分
:ref:`paddle.log1p <cn_api_paddle_tensor_log1p>`	计算 Log1p（加一的自然对数）结果
:ref:`paddle.take_along_axis <cn_api_paddle_tensor_take_along_axis>`	根据 axis 和 index 获取输入 Tensor 的对应元素
:ref:`paddle.put_along_axis <cn_api_paddle_tensor_put_along_axis>`	根据 axis 和 index 放置 value 值至输入 Tensor
:ref:`paddle.lerp <cn_api_paddle_tensor_lerp>`	基于给定的 weight 计算 x 与 y 的线性插值
:ref:`paddle.diff <cn_api_tensor_diff>`	沿着指定维度对输入 Tensor 计算 n 阶的前向差值
:ref:`paddle.rad2deg <cn_api_paddle_tensor_rad2deg>`	将元素从弧度的角度转换为度
:ref:`paddle.deg2rad <cn_api_paddle_tensor_deg2rad>`	将元素从度的角度转换为弧度
:ref:`paddle.gcd <cn_api_paddle_tensor_gcd>`	计算两个输入的按元素绝对值的最大公约数
:ref:`paddle.lcm <cn_api_paddle_tensor_lcm>`	计算两个输入的按元素绝对值的最小公倍数
:ref:`paddle.erfinv <cn_api_paddle_tensor_erfinv>`	计算输入 Tensor 的逆误差函数
:ref:`paddle.acosh <cn_api_fluid_layers_acosh>`	反双曲余弦函数
:ref:`paddle.asinh <cn_api_fluid_layers_asinh>`	反双曲正弦函数
:ref:`paddle.atanh <cn_api_fluid_layers_atanh>`	反双曲正切函数
:ref:`paddle.take <cn_api_paddle_tensor_take>`	输出给定索引处的输入元素，结果与 index 的形状相同
:ref:`paddle.frexp <cn_api_paddle_frexp>`	用于把一个浮点数分解为尾数和指数的函数
:ref:`paddle.trapezoid <cn_api_paddle_tensor_trapezoid>`	在指定维度上对输入实现 trapezoid rule 算法。使用累积求和函数 sum
:ref:`paddle.cumulative_trapezoid <cn_api_paddle_tensor_cumulative_trapezoid>`	在指定维度上对输入实现 trapezoid rule 算法。使用累积求和函数 cumsum
:ref:`paddle.i0 <cn_api_paddle_tensor_i0>`	对输入 Tensor 每个元素计算第一类零阶修正贝塞尔函数
:ref:`paddle.i0e <cn_api_paddle_tensor_i0e>`	对输入 Tensor 每个元素计算第一类指数缩放的零阶修正贝塞尔函数
:ref:`paddle.i1 <cn_api_paddle_tensor_i1>`	对输入 Tensor 每个元素计算第一类一阶修正贝塞尔函数
:ref:`paddle.i1e <cn_api_paddle_tensor_i1e>`	对输入 Tensor 每个元素计算第一类指数缩放的一阶修正贝塞尔函数
:ref:`paddle.polygamma <cn_api_paddle_tensor_polygamma>`	对输入 Tensor 每个元素计算多伽马函数

tensor 数学操作原位（inplace）版本

API 名称	API 功能
:ref:`paddle.remainder_ <cn_api_tensor_remainder_>`	Inplace 版本的 remainder API，对输入 x 采用 Inplace 策略
:ref:`paddle.tanh_ <cn_api_tensor_tanh_>`	Inplace 版本的 tanh API，对输入 x 采用 Inplace 策略
:ref:`paddle.erfinv_ <cn_api_paddle_tensor_erfinv_>`	Inplace 版本的 erfinv API，对输入 x 采用 Inplace 策略
:ref:`paddle.add_ <cn_api_tensor_add_>`	Inplace 版本的 add API，对输入 x 采用 Inplace 策略
:ref:`paddle.put_along_axis_ <cn_api_paddle_tensor_put_along_axis_>`	Inplace 版本的 put_along_axis API，对输入 x 采用 Inplace 策略
:ref:`paddle.ceil_ <cn_api_fluid_layers_ceil_>`	Inplace 版本的 ceil API，对输入 x 采用 Inplace 策略
:ref:`paddle.clip_ <cn_api_tensor_clip_>`	Inplace 版本的 clip API，对输入 x 采用 Inplace 策略
:ref:`paddle.exp_ <cn_api_fluid_layers_exp_>`	Inplace 版本的 exp API，对输入 x 采用 Inplace 策略
:ref:`paddle.flatten_ <cn_api_paddle_flatten_>`	Inplace 版本的 flatten API，对输入 x 采用 Inplace 策略
:ref:`paddle.floor_ <cn_api_fluid_layers_floor_>`	Inplace 版本的 floor API，对输入 x 采用 Inplace 策略
:ref:`paddle.reciprocal_ <cn_api_fluid_layers_reciprocal_>`	Inplace 版本的 reciprocal API，对输入 x 采用 Inplace 策略
:ref:`paddle.round_ <cn_api_fluid_layers_round_>`	Inplace 版本的 round API，对输入 x 采用 Inplace 策略
:ref:`paddle.rsqrt_ <cn_api_fluid_layers_rsqrt_>`	Inplace 版本的 rsqrt API，对输入 x 采用 Inplace 策略
:ref:`paddle.scale_ <cn_api_fluid_layers_scale_>`	Inplace 版本的 scale API，对输入 x 采用 Inplace 策略
:ref:`paddle.sqrt_ <cn_api_fluid_layers_sqrt_>`	Inplace 版本的 sqrt API，对输入 x 采用 Inplace 策略
:ref:`paddle.subtract_ <cn_api_paddle_tensor_subtract_>`	Inplace 版本的 subtract API，对输入 x 采用 Inplace 策略
:ref:`paddle.tanh_ <cn_api_fluid_layers_tan_>`	Inplace 版本的 tan API，对输入 x 采用 Inplace 策略
:ref:`paddle.uniform_ <cn_api_tensor_uniform_>`	Inplace 版本的 uniform API，对输入 x 采用 Inplace 策略
:ref:`paddle.lerp_ <cn_api_paddle_tensor_lerp_>`	Inplace 版本的 lerp API，对输入 x 采用 Inplace 策略

tensor 逻辑操作

API 名称	API 功能
:ref:`paddle.is_empty <cn_api_fluid_layers_is_empty>`	测试变量是否为空
:ref:`paddle.is_tensor <cn_api_tensor_is_tensor>`	用来测试输入对象是否是 paddle.Tensor
:ref:`paddle.isfinite <cn_api_tensor_isfinite>`	返回输入 tensor 的每一个值是否为 Finite（既非 +/-INF 也非 +/-NaN ）
:ref:`paddle.isinf <cn_api_tensor_isinf>`	返回输入 tensor 的每一个值是否为 +/-INF
:ref:`paddle.isnan <cn_api_tensor_isnan>`	返回输入 tensor 的每一个值是否为 +/-NaN

tensor 属性相关

API 名称	API 功能
:ref:`paddle.iinfo <cn_api_iinfo>`	返回一个 iinfo 对象，该对象包含了输入的整数类 paddle.dtype 的各种相关的数值信息
:ref:`paddle.finfo <cn_api_finfo>`	返回一个 finfo 对象，该对象包含了输入的整数类 paddle.dtype 的各种相关的数值信息
:ref:`paddle.imag <cn_api_tensor_imag>`	返回一个包含输入复数 Tensor 的虚部数值的新 Tensor
:ref:`paddle.real <cn_api_tensor_real>`	返回一个包含输入复数 Tensor 的实部数值的新 Tensor
:ref:`paddle.shape <cn_api_fluid_layers_shape>`	获得输入 Tensor 或 SelectedRows 的 shape
:ref:`paddle.is_complex <cn_api_paddle_is_complex>`	判断输入 tensor 的数据类型是否为复数类型
:ref:`paddle.is_integer <cn_api_paddle_is_integer>`	判断输入 tensor 的数据类型是否为整数类型
:ref:`paddle.broadcast_shape <cn_api_tensor_broadcast_shape>`	返回对 x_shape 大小的 Tensor 和 y_shape 大小的 Tensor 做 broadcast 操作后得到的 shape
:ref:`paddle.is_floating_point <cn_api_tensor_is_floating_point>`	判断输入 Tensor 的数据类型是否为浮点类型

tensor 创建相关

API 名称	API 功能
:ref:`paddle.arange <cn_api_paddle_tensor_arange>`	返回以步长 step 均匀分隔给定数值区间[start, end)的 1-D Tensor，数据类型为 dtype
:ref:`paddle.diag <cn_api_paddle_cn_diag>`	如果 x 是向量（1-D Tensor），则返回带有 x 元素作为对角线的 2-D 方阵；如果 x 是矩阵（2-D Tensor），则提取 x 的对角线元素，以 1-D Tensor 返回。
:ref:`paddle.diagflat <cn_api_paddle_diagflat>`	如果 x 是一维 Tensor，则返回带有 x 元素作为对角线的二维方阵；如果 x 是大于等于二维的 Tensor，则返回一个二维 Tensor，其对角线元素为 x 在连续维度展开得到的一维 Tensor 的元素。
:ref:`paddle.empty <cn_api_tensor_empty>`	创建形状大小为 shape 并且数据类型为 dtype 的 Tensor
:ref:`paddle.empty_like <cn_api_tensor_empty_like>`	根据 x 的 shape 和数据类型 dtype 创建未初始化的 Tensor
:ref:`paddle.eye <cn_api_paddle_tensor_eye>`	构建二维 Tensor(主对角线元素为 1，其他元素为 0)
:ref:`paddle.full <cn_api_tensor_full>`	创建形状大小为 shape 并且数据类型为 dtype 的 Tensor
:ref:`paddle.full_like <cn_api_tensor_full_like>`	创建一个和 x 具有相同的形状并且数据类型为 dtype 的 Tensor
:ref:`paddle.linspace <cn_api_fluid_layers_linspace>`	返回一个 Tensor，Tensor 的值为在区间 start 和 stop 上均匀间隔的 num 个值，输出 Tensor 的长度为 num
:ref:`paddle.meshgrid <cn_api_paddle_tensor_meshgrid>`	对每个 Tensor 做扩充操作
:ref:`paddle.numel <cn_api_tensor_numel>`	返回一个长度为 1 并且元素值为输入 x 元素个数的 Tensor
:ref:`paddle.ones <cn_api_tensor_ones>`	创建形状为 shape 、数据类型为 dtype 且值全为 1 的 Tensor
:ref:`paddle.ones_like <cn_api_tensor_ones_like>`	返回一个和 x 具有相同形状的数值都为 1 的 Tensor
:ref:`paddle.Tensor <cn_api_paddle_Tensor>`	Paddle 中最为基础的数据结构
:ref:`paddle.to_tensor <cn_api_vision_transforms_to_tensor>`	通过已知的 data 来创建一个 tensor
:ref:`paddle.tolist <cn_api_paddle_tolist>`	将 paddle Tensor 转化为 python list
:ref:`paddle.zeros <cn_api_tensor_zeros>`	创建形状为 shape 、数据类型为 dtype 且值全为 0 的 Tensor
:ref:`paddle.zeros_like <cn_api_tensor_zeros_like>`	返回一个和 x 具有相同的形状的全零 Tensor，数据类型为 dtype 或者和 x 相同
:ref:`paddle.complex <cn_api_paddle_complex>`	给定实部和虚部，返回一个复数 Tensor
:ref:`paddle.create_parameter <cn_api_fluid_layers_create_parameter>`	创建一个参数,该参数是一个可学习的变量, 拥有梯度并且可优化
:ref:`paddle.clone <cn_api_tensor_clone>`	对输入 Tensor x 进行拷贝，并返回一个新的 Tensor，并且该操作提供梯度回传
:ref:`paddle.batch <cn_api_paddle_batch>`	一个 reader 的装饰器。返回的 reader 将输入 reader 的数据打包成指定的 batch_size 大小的批处理数据(不推荐使用)
:ref:`paddle.polar <cn_api_paddle_polar>`	对于给定的模 abs 和相位角 angle，返回一个对应复平面上的坐标复数 Tensor
:ref:`paddle.vander <cn_api_paddle_vander>`	生成范德蒙德矩阵。

tensor 元素查找相关

API 名称	API 功能
:ref:`paddle.argmax <cn_api_tensor_argmax>`	沿 axis 计算输入 x 的最大元素的索引
:ref:`paddle.argmin <cn_api_tensor_argmin>`	沿 axis 计算输入 x 的最小元素的索引
:ref:`paddle.argsort <cn_api_tensor_cn_argsort>`	对输入变量沿给定轴进行排序，输出排序好的数据的相应索引，其维度和输入相同
:ref:`paddle.index_sample <cn_api_tensor_search_index_sample>`	对输入 x 中的元素进行批量抽样
:ref:`paddle.index_select <cn_api_tensor_search_index_select>`	沿着指定轴 axis 对输入 x 进行索引
:ref:`paddle.masked_select <cn_api_tensor_masked_select>`	返回一个 1-D 的 Tensor, Tensor 的值是根据 mask 对输入 x 进行选择的
:ref:`paddle.nonzero <cn_api_tensor_search_nonzero>`	返回输入 x 中非零元素的坐标
:ref:`paddle.sort <cn_api_tensor_sort>`	对输入变量沿给定轴进行排序，输出排序好的数据，其维度和输入相同
:ref:`paddle.searchsorted <cn_api_tensor_searchsorted>`	将根据给定的 values 在 sorted_sequence 的最后一个维度查找合适的索引
:ref:`paddle.bucketize <cn_api_tensor_bucketize>`	将根据给定的一维 Tensor sorted_sequence 返回输入 x 对应的桶索引。
:ref:`paddle.topk <cn_api_tensor_cn_topk>`	沿着可选的 axis 查找 topk 最大或者最小的结果和结果所在的索引信息
:ref:`paddle.where <cn_api_tensor_where>`	返回一个根据输入 condition, 选择 x 或 y 的元素组成的多维 Tensor

tensor 初始化相关

API 名称	API 功能
:ref:`paddle.assign <cn_api_paddle_tensor_creation_assign>`	将输入 Tensor 或 numpy 数组拷贝至输出 Tensor

tensor random 相关

API 名称	API 功能
:ref:`paddle.bernoulli <cn_api_tensor_bernoulli>`	以输入 x 为概率，生成一个伯努利分布（0-1 分布）的 Tensor，输出 Tensor 的形状和数据类型与输入 x 相同
:ref:`paddle.multinomial <cn_api_tensor_multinomial>`	以输入 x 为概率，生成一个多项分布的 Tensor
:ref:`paddle.normal <cn_api_tensor_random_normal>`	返回符合正态分布（均值为 mean ，标准差为 std 的正态随机分布）的随机 Tensor
:ref:`paddle.rand <cn_api_tensor_random_rand>`	返回符合均匀分布的，范围在[0, 1)的 Tensor
:ref:`paddle.randint <cn_api_tensor_random_randint>`	返回服从均匀分布的、范围在[low, high)的随机 Tensor
:ref:`paddle.randint_like <cn_api_tensor_random_randint_like>`	返回一个和 x 具有相同形状的服从均匀分布的、范围在[low, high)的随机 Tensor，数据类型为 dtype 或者和 x 相同。
:ref:`paddle.randn <cn_api_tensor_random_randn>`	返回符合标准正态分布（均值为 0，标准差为 1 的正态随机分布）的随机 Tensor
:ref:`paddle.randperm <cn_api_tensor_random_randperm>`	返回一个数值在 0 到 n-1、随机排列的 1-D Tensor
:ref:`paddle.seed <cn_api_paddle_framework_seed>`	设置全局默认 generator 的随机种子
:ref:`paddle.uniform <cn_api_tensor_uniform>`	返回数值服从范围[min, max)内均匀分布的随机 Tensor
:ref:`paddle.standard_normal <cn_api_tensor_random_standard_normal>`	返回符合标准正态分布（均值为 0，标准差为 1 的正态随机分布）的随机 Tensor，形状为 shape，数据类型为 dtype
:ref:`paddle.poisson <cn_api_tensor_poisson>`	返回服从泊松分布的随机 Tensor，输出 Tensor 的形状和数据类型与输入 x 相同

tensor 线性代数相关

API 名称	API 功能
:ref:`paddle.bincount <cn_api_tensor_bincount>`	统计输入 Tensor 中元素的出现次数
:ref:`paddle.bmm <cn_api_paddle_tensor_bmm>`	对输入 x 及输入 y 进行矩阵相乘
:ref:`paddle.cross <cn_api_tensor_linalg_cross>`	计算 Tensor x 和 y 在 axis 维度上的向量积（叉积）
:ref:`paddle.dist <cn_api_tensor_linalg_dist>`	计算 (x-y) 的 p 范数（p-norm）
:ref:`paddle.dot <cn_api_paddle_tensor_linalg_dot>`	计算向量的内积
:ref:`paddle.histogram <cn_api_tensor_histogram>`	计算输入 Tensor 的直方图
:ref:`paddle.matmul <cn_api_tensor_matmul>`	计算两个 Tensor 的乘积，遵循完整的广播规则
:ref:`paddle.mv <cn_api_tensor_mv>`	计算矩阵 x 和向量 vec 的乘积
:ref:`paddle.rank <cn_api_fluid_layers_rank>`	计算输入 Tensor 的维度（秩）
:ref:`paddle.t <cn_api_paddle_tensor_t>`	对小于等于 2 维的 Tensor 进行数据转置
:ref:`paddle.tril <cn_api_tensor_tril>`	返回输入矩阵 input 的下三角部分，其余部分被设为 0
:ref:`paddle.triu <cn_api_tensor_triu>`	返回输入矩阵 input 的上三角部分，其余部分被设为 0
:ref:`paddle.triu_indices <cn_api_tensor_triu_indices>`	返回输入矩阵在给定对角线右上三角部分元素坐标
:ref:`paddle.cdist <cn_api_tensor_linalg_cdist>`	计算两组输入集合 x, y 中每对之间的 p 范数

tensor 元素操作相关（如：转置，reshape 等）

API 名称	API 功能
:ref:`paddle.broadcast_to <cn_api_tensor_broadcast_to>`	根据 shape 指定的形状广播 x ，广播后， x 的形状和 shape 指定的形状一致
:ref:`paddle.broadcast_tensors <cn_api_paddle_broadcast_tensors>`	对一组输入 Tensor 进行广播操作, 输入应符合广播规范
:ref:`paddle.cast <cn_api_fluid_layers_cast>`	将输入的 x 的数据类型转换为 dtype 并输出
:ref:`paddle.chunk <cn_api_tensor_cn_chunk>`	将输入 Tensor 分割成多个子 Tensor
:ref:`paddle.concat <cn_api_tensor_concat>`	对输入沿 axis 轴进行联结，返回一个新的 Tensor
:ref:`paddle.crop <cn_api_paddle_crop>`	根据偏移量（offsets）和形状（shape），裁剪输入（x）Tensor
:ref:`paddle.expand <cn_api_tensor_expand>`	根据 shape 指定的形状扩展 x ，扩展后， x 的形状和 shape 指定的形状一致
:ref:`paddle.expand_as <cn_api_tensor_expand_as>`	根据 y 的形状扩展 x ，扩展后， x 的形状和 y 的形状相同
:ref:`paddle.flatten <cn_api_paddle_flatten>`	根据给定的 start_axis 和 stop_axis 将连续的维度展平
:ref:`paddle.flip <cn_api_tensor_flip>`	沿指定轴反转 n 维 tensor
:ref:`paddle.rot90 <cn_api_tensor_rot90>`	沿 axes 指定的平面将 n 维 tensor 旋转 90 度 k 次
:ref:`paddle.gather <cn_api_paddle_tensor_gather>`	根据索引 index 获取输入 x 的指定 aixs 维度的条目，并将它们拼接在一起
:ref:`paddle.gather_nd <cn_api_tensor_cn_gather_nd>`	paddle.gather 的高维推广
:ref:`paddle.reshape <cn_api_fluid_layers_reshape>`	在保持输入 x 数据不变的情况下，改变 x 的形状
:ref:`paddle.roll <cn_api_tensor_manipulation_roll>`	沿着指定维度 axis 对输入 x 进行循环滚动，当元素移动到最后位置时，会从第一个位置重新插入
:ref:`paddle.scatter <cn_api_distributed_scatter>`	通过基于 updates 来更新选定索引 index 上的输入来获得输出
:ref:`paddle.scatter_nd <cn_api_fluid_layers_scatter_nd>`	根据 index ，将 updates 添加到一个新的张量中，从而得到输出的 Tensor
:ref:`paddle.scatter_nd_add <cn_api_fluid_layers_scatter_nd_add>`	通过对 Tensor 中的单个值或切片应用稀疏加法，从而得到输出的 Tensor
:ref:`paddle.shard_index <cn_api_fluid_layers_shard_index>`	根据分片（shard）的偏移量重新计算分片的索引
:ref:`paddle.slice <cn_api_paddle_slice>`	沿多个轴生成 input 的切片
:ref:`paddle.split <cn_api_paddle_tensor_split>`	将输入 Tensor 分割成多个子 Tensor
:ref:`paddle.vsplit <cn_api_paddle_tensor_vsplit>`	将输入 Tensor 沿第一个维度分割成多个子 Tensor
:ref:`paddle.squeeze <cn_api_paddle_tensor_squeeze>`	删除输入 Tensor 的 Shape 中尺寸为 1 的维度
:ref:`paddle.stack <cn_api_paddle_tensor_stack>`	沿 axis 轴对输入 x 进行堆叠操作
:ref:`paddle.strided_slice <cn_api_strided_slice>`	沿多个轴生成 x 的切片
:ref:`paddle.tile <cn_api_tensor_tile>`	根据参数 repeat_times 对输入 x 的各维度进行复制
:ref:`paddle.transpose <cn_api_fluid_layers_transpose>`	根据 perm 对输入的多维 Tensor 进行数据重排
:ref:`paddle.moveaxis <cn_api_tensor_moveaxis>`	移动 Tensor 的轴，根据移动之后的轴对输入的多维 Tensor 进行数据重排
:ref:`paddle.tensordot <cn_api_paddle_tensordot>`	沿多个轴对输入的 x 和 y 进行 Tensor 缩并操作
:ref:`paddle.unbind <cn_api_paddle_tensor_unbind>`	将输入 Tensor 按照指定的维度分割成多个子 Tensor
:ref:`paddle.unique <cn_api_tensor_cn_unique>`	返回 Tensor 按升序排序后的独有元素
:ref:`paddle.unique_consecutive <cn_api_tensor_cn_unique_consecutive>`	返回无连续重复元素的 Tensor
:ref:`paddle.unsqueeze <cn_api_paddle_tensor_unsqueeze>`	向输入 Tensor 的 Shape 中一个或多个位置（axis）插入尺寸为 1 的维度
:ref:`paddle.unstack <cn_api_fluid_layers_unstack>`	将单个 dim 为 D 的 Tensor 沿 axis 轴 unpack 为 num 个 dim 为 (D-1) 的 Tensor
:ref:`paddle.as_complex <cn_api_paddle_as_complex>`	将实数 Tensor 转为复数 Tensor
:ref:`paddle.as_real <cn_api_paddle_as_real>`	将复数 Tensor 转为实数 Tensor
:ref:`paddle.repeat_interleave <cn_api_tensor_repeat_interleave>`	沿 axis 轴对输入 x 的元素进行复制
:ref:`paddle.index_add <cn_api_tensor_index_add>`	沿着指定轴 axis 将 index 中指定位置的 x 与 value 相加，并写入到结果 Tensor 中的对应位置
:ref:`paddle.index_put <cn_api_tensor_index_put>`	构造一个与 x 完全相同的 Tensor，并依据 indices 中指定的索引将 value 的值对应的放置其中，随后输出
:ref:`paddle.unflatten <cn_api_paddle_tensor_unflatten>`	将输入 Tensor 沿指定轴 axis 上的维度展成 shape 形状

tensor 元素操作相关原位（inplace）版本

API 名称	API 功能
:ref:`paddle.reshape_ <cn_api_paddle_tensor_reshape_>`	Inplace 版本的 reshape API，对输入 x 采用 Inplace 策略
:ref:`paddle.scatter_ <cn_api_paddle_cn_scatter_>`	Inplace 版本的 scatter API，对输入 x 采用 Inplace 策略
:ref:`paddle.squeeze_ <cn_api_paddle_tensor_squeeze_>`	Inplace 版本的 squeeze API，对输入 x 采用 Inplace 策略
:ref:`paddle.unsqueeze_ <cn_api_paddle_tensor_unsqueeze_>`	Inplace 版本的 unsqueeze API，对输入 x 采用 Inplace 策略

爱因斯坦求和

API 名称	API 功能
:ref:`paddle.einsum <cn_api_tensor_einsum>`	根据爱因斯坦标记对多个 Tensor 进行爱因斯坦求和

framework 相关

API 名称	API 功能
:ref:`paddle.CPUPlace <cn_api_fluid_CPUPlace>`	一个设备描述符，指定 CPUPlace 则 Tensor 将被自动分配在该设备上，并且模型将会运行在该设备上
:ref:`paddle.CUDAPinnedPlace <cn_api_fluid_CUDAPinnedPlace>`	一个设备描述符，它所指代的页锁定内存由 CUDA 函数 cudaHostAlloc() 在主机内存上分配，主机的操作系统将不会对这块内存进行分页和交换操作，可以通过直接内存访问技术访问，加速主机和 GPU 之间的数据拷贝
:ref:`paddle.CUDAPlace <cn_api_fluid_CUDAPlace>`	一个设备描述符，表示一个分配或将要分配 Tensor 的 GPU 设备
:ref:`paddle.DataParallel <cn_api_fluid_dygraph_DataParallel>`	通过数据并行模式执行动态图模型
:ref:`paddle.NPUPlace <cn_api_fluid_NPUPlace>`	一个设备描述符，指 NCPUPlace 则 Tensor 将被自动分配在该设备上，并且模型将会运行在该设备上
:ref:`paddle.disable_signal_handler <cn_api_fluid_disable_signal_handler>`	关闭 Paddle 系统信号处理方法
:ref:`paddle.disable_static <cn_api_paddle_disable_static>`	关闭静态图模式
:ref:`paddle.enable_static <cn_api_paddle_enable_static>`	开启静态图模式
:ref:`paddle.get_default_dtype <cn_api_paddle_framework_get_default_dtype>`	得到当前全局的 dtype
:ref:`paddle.grad <cn_api_paddle_grad>`	对于每个 inputs ，计算所有 outputs 相对于其的梯度和
:ref:`paddle.in_dynamic_mode <cn_api_paddle_in_dynamic_mode>`	查看 paddle 当前是否在动态图模式中运行
:ref:`paddle.load <cn_api_paddle_framework_io_load>`	从指定路径载入可以在 paddle 中使用的对象实例
:ref:`paddle.no_grad <cn_api_fluid_dygraph_no_grad>`	创建一个上下文来禁用动态图梯度计算
:ref:`paddle.ParamAttr <cn_api_fluid_ParamAttr>`	创建一个参数属性对象
:ref:`paddle.save <cn_api_paddle_framework_io_save>`	将对象实例 obj 保存到指定的路径中
:ref:`paddle.set_default_dtype <cn_api_paddle_framework_set_default_dtype>`	设置默认的全局 dtype。
:ref:`paddle.set_grad_enabled <cn_api_paddle_framework_set_grad_enabled>`	创建启用或禁用动态图梯度计算的上下文
:ref:`paddle.is_grad_enabled <cn_api_paddle_framework_is_grad_enabled>`	判断当前动态图下是否启用了计算梯度模式。
:ref:`paddle.set_printoptions <cn_api_tensor_set_printoptions>`	设置 paddle 中 Tensor 的打印配置选项

device 相关

API 名称	API 功能
:ref:`paddle.get_cuda_rng_state <cn_api_paddle_cn_get_cuda_rng_state>`	获取 cuda 随机数生成器的状态信息
:ref:`paddle.set_cuda_rng_state <cn_api_paddle_cn_set_cuda_rng_state>`	设置 cuda 随机数生成器的状态信息

高层 API 相关

API 名称	API 功能
:ref:`paddle.Model <cn_api_paddle_Model>`	一个具备训练、测试、推理的神经网络
:ref:`paddle.summary <cn_api_paddle_summary>`	打印网络的基础结构和参数信息
:ref:`paddle.flops <cn_api_paddle_flops>`	打印网络的基础结构和参数信息