介绍
PyTorch 中的 torch.pow() 函数，用于对张量进行 幂运算 的核心工具，支持标量幂、张量逐元素幂等多种运算形式。
作用
对张量中的每个元素进行幂运算，支持“张量^标量”“张量^张量”两种核心形式，返回与输入形状匹配的新张量（除非指定 out 参数）。
基本语法
torch.pow(input, exponent, out=None)
参数说明：
input：输入张量（必传），可以是任意维度的张量；exponent：指数，可以是标量（int/float/torch.Tensor）或与input形状相同的张量；out：可选，指定输出张量（需与输入形状/类型匹配），节省内存。
简洁写法
input ** exponent
效果与 torch.pow(input, exponent) 完全一致。
例子
import torch
# ========== 示例1：张量^标量（最常用） ==========
# 一维张量的平方运算
x1 = torch.tensor([1, 2, 3, 4])
y1 = torch.pow(x1, 2) # 等价于 x1 ** 2
print("张量平方:", y1) # tensor([ 1, 4, 9, 16])
# 二维张量的立方运算
x2 = torch.tensor([[0.5, 1.5], [-2.0, 3.0]])
y2 = torch.pow(x2, 3) # 等价于 x2 ** 3
print("\n二维张量立方:\n", y2)
# 输出:
# tensor([[ 0.1250, 3.3750],
# [-8.0000, 27.0000]])
# ========== 示例2：张量^张量（逐元素对应幂） ==========
# 两个形状相同的张量，逐元素做幂运算
base = torch.tensor([[2, 3], [4, 5]])
exp = torch.tensor([[1, 2], [3, 4]])
y3 = torch.pow(base, exp) # 等价于 base ** exp
print("\n张量^张量（逐元素）:\n", y3)
# 输出:
# tensor([[ 2, 9],
# [ 64, 625]])
# ========== 示例3：标量^张量（交换顺序） ==========
# 注意：若指数是张量、底数是标量，需把标量放前面（或用运算符）
y4 = torch.pow(2, torch.tensor([1, 2, 3])) # 2^1, 2^2, 2^3
print("\n标量^张量:", y4) # tensor([2, 4, 8])
# 运算符写法更直观：2 ** torch.tensor([1,2,3])
# ========== 示例4：负数幂（倒数运算） ==========
x5 = torch.tensor([2.0, 4.0, 8.0])
y5 = torch.pow(x5, -1) # 等价于 1/x5
print("\n负数幂（倒数）:", y5) # tensor([0.5000, 0.2500, 0.1250])
# ========== 示例5：小数幂（开方/开根） ==========
x6 = torch.tensor([4.0, 9.0, 16.0])
y6 = torch.pow(x6, 0.5) # 平方根，等价于 torch.sqrt(x6)
y7 = torch.pow(x6, 1/3) # 立方根
print("\n平方根:", y6) # tensor([2., 3., 4.])
print("立方根:", y7) # tensor([1.5874, 2.0801, 2.5198])
# ========== 示例6：指定out参数（节省内存） ==========
x8 = torch.tensor([1,2,3])
out_tensor = torch.empty_like(x8) # 预分配输出张量
torch.pow(x8, 2, out=out_tensor) # 结果直接写入out_tensor
print("\nout参数输出:", out_tensor) # tensor([1, 4, 9])
注意
数据类型兼容
若输入是整数张量、指数是小数，输出会自动转为浮点型；若输入是整数张量、指数是整数，输出保持整数型（除非结果溢出）。
负数开偶次幂
整数张量的负数开偶次幂会报错（如 torch.pow(torch.tensor(-2), 2) 可行，但 torch.pow(torch.tensor(-2), 0.5) 会NaN），浮点张量的负数开偶次幂会返回NaN。
# 示例：负数开平方（浮点型返回NaN，整数型报错）
print(torch.pow(torch.tensor(-4.0), 0.5)) # tensor(nan)
# print(torch.pow(torch.tensor(-4), 0.5)) # RuntimeError
梯度支持
torch.pow() 支持自动微分（ requires_grad=True 时），适合神经网络中的可微运算。
总结
torch.pow(input, exponent)实现张量的幂运算，核心支持“张量^标量”“张量^张量”“标量^张量”三种形式，运算符**是更简洁的写法；- 常用场景：平方/立方、倒数（-1次幂）、开方（0.5次幂）、逐元素自定义幂运算；
- 注意负数开偶次幂的NaN问题，整数/浮点张量的类型转换规则。