上图中是一个张量embeds，打开其内部存储空间，我们可以看到内部的构成。在PyTorch中，Tensor 具有许多属性和方法。以下是其中一些关键的属性和方法：

属性：

1. H：

   在标准的PyTorch API中并没有直接表示为 .H 的属性，但在数学或某些库（如NumPy）中，.H 通常代表共轭转置（Conjugate Transpose），也称为Hermitian conjugate。在处理复数张量时，如果需要进行共轭转置操作，在PyTorch中应先使用 .conj() 方法获取复共轭，然后用 .T 进行转置，即 tensor.conj().T。

2. T：

   .T 属性用于转置（Transpose）张量，它会改变张量的维度顺序。例如，对于二维张量（矩阵），转置会交换行和列的位置。

3. .data：

   返回一个与原张量共享相同存储区的新张量视图，通常用于直接访问底层数据而不涉及计算历史。

4. .device：

   返回一个 torch.device 对象，表示张量所在设备（CPU或GPU）。

5. .dtype：

   返回一个 torch.dtype 对象，代表张量元素的数据类型（如 torch.float32, torch.long 等）。

6. .grad：

   如果该张量是需要求梯度的一部分，则返回与该张量相关的梯度张量；否则为 None。

7. .requires_grad：

   返回一个布尔值，表明此张量是否参与自动求导过程。

8. .shape 或 .size()：

   返回一个包含张量各维度大小的元组，表示张量的形状。

9. .stride：

   返回一个元组，表示沿着各个维度移动一个元素所需的步长。

10. .is_contiguous()：

    判断当前张量是否连续存储在内存中。

11. .layout（高级用法）：

    在某些特殊情况下，如使用MKLDNN等优化库时，描述张量的布局方式。

方法：

1. .view(*shape) 或 .reshape(*shape)：

   改变张量的维度大小，但不改变其实际数据内容。

2. .transpose(dim0, dim1) 或 .t()：

   对张量进行转置操作。

3. .to(device, dtype=None, non_blocking=False)：

   将张量转移到指定设备上或者更改数据类型。

4. .clone()：

   创建一个与原张量有相同数据的新张量，数据独立于原张量存储。

5. .copy_(src)：

   从源张量拷贝数据到当前张量。

6. .detach()：

   创建一个新的张量，与原张量数据相同但切断了计算图中的依赖关系。

7. .numpy()：

   转换张量为NumPy数组。

8. .sum(dim=None, keepdim=False)、.mean(dim=None, keepdim=False) 等统计函数：

   计算张量沿指定维度的和、平均数等统计量。

9. .zero_()、.fill_(value) 等修改张量数值的方法：

   直接对张量内部数据进行操作，例如清零所有元素或填充特定值。

10. 对于深度学习模型训练相关的：

    • .backward()：执行反向传播计算梯度。
    • .requires_grad_(requires_grad=True)：动态地设置张量是否要求梯度。

这些只是一部分基本和常用的属性及方法，实际上还有很多其他功能丰富的成员函数，可以根据实际需求查阅官方文档以获取完整列表和详细说明。