tensor，即“张量”。实际上跟numpy数组、向量、矩阵的格式基本一样。但是是专门针对GPU来设计的，可以运行在GPU上来加快计算效率。
定义一个tensor
Torch中定义tensor，与numpy中定义矩阵差不多，例如定义一个5×3的tensor，每一项都是0的张量：
x = torch.zeros(5,3)
另外初始化tensor还有如下形式：
-
torch.empty(size)返回形状为size的空tensor -
torch.zeros_like(input)返回跟input的tensor一个size的全零tensor -
torch.ones(size)全部是1的tensor -
torch.ones_like(input)返回跟input的tensor一个size的全1tensor -
torch.arange(start=0, end, step=1)用法与range一样 -
torch.linspace(start,end,steps,)创建均分的1维张量,数值区间[start,end],样本量为steps -
torch.logspace(start,end,steps)创建对数均分的1维张量，和linspace参数一样
还有根据numpy数组初始化：
-
torch.from_numpy(input)numpy中的数据与tensor中的数据使用的同一个内存，一个数据改变另一个也会改变
还有随机初始化：
-
torch.rand(size)[0,1)内的均匀分布随机数 -
torch.rand_like(input)返回跟input的tensor一样size的0-1随机数 -
torch.randn(size)返回标准正太分布N(0,1)的随机数 -
torch.normal(mean, std, out=None)正态分布。mean和std都是tensor，决定返回的形状。mean默认为均值0，std默认标准差为1
tensor的属性有
.data:数据（但建议使用.detach()）
.dtype：张量的数据类型 如：torch.FloatTensor
.shape:张量的形状
.device：张量所在的设备
.requires_grad:是否需要求导
.grad：data的梯度
.grad_fn:创建Tensor的function
.is_leaf:是否为叶子结点
tensor的操作
-
torch.cat(seq, dim=0, out=None)把一堆tensor丢进去，按照dim指定的维度拼接、堆叠在一起.
例：
a = torch.rand(2,3)
print(a)
b = torch.cat((a,a),dim=0)
print(b)
c = torch.cat((a,a),dim=1)
print(c)
Output：
tensor([[0.6646, 0.8589, 0.5251],
[0.2515, 0.4547, 0.6944]])
tensor([[0.6646, 0.8589, 0.5251],
[0.2515, 0.4547, 0.6944],
[0.6646, 0.8589, 0.5251],
[0.2515, 0.4547, 0.6944]])
tensor([[0.6646, 0.8589, 0.5251, 0.6646, 0.8589, 0.5251],
[0.2515, 0.4547, 0.6944, 0.2515, 0.4547, 0.6944]])
-
torch.chunk(tensor, chunks, dim=0)把tensor切成块，数量由chunks指定，方向由dim决定。
例：
a = torch.rand(2, 3)
print(a)
b = torch.chunk(a, 2, 0)
print(b)
c = torch.chunk(a, 3, 1)
print(c)
Output:
tensor([[0.6142, 0.8066, 0.9073],
[0.7619, 0.1243, 0.3439]])
(tensor([[0.6142, 0.8066, 0.9073]]), tensor([[0.7619, 0.1243, 0.3439]]))
(tensor([[0.6142],
[0.7619]]), tensor([[0.8066],
[0.1243]]), tensor([[0.9073],
[0.3439]]))
torch与numpy数组互换：
-
tensor.numpy()与torch.from_numpy(array)
torch的运算
- 加法：
a+b或者torch.add(a,b)若想进行in-place操作（原地计算），只需在add后面加一个。另外，torch里面所有带""的操作，都是指的in-place的操作，torch加减乘除都能带_。
例
a = torch.rand(3)
b = torch.rand(3)
print(a)
print(b)
c = torch.add(a,b)
b.add_(a)
print(b,c)
Output
tensor([0.5786, 0.5824, 0.7091])
tensor([0.6576, 0.8690, 0.0564])
tensor([1.2362, 1.4514, 0.7655]) tensor([1.2362, 1.4514, 0.7655])
- 乘法：
torch.mul(input, other, out=None)input乘以other - 除法：
torch.div(input, other, out=None)input除以other - 指数：
torch.pow(input, exponent, out=None) - 开根号：
torch.sqrt(input, out=None) - 四舍五入到整数：
torch.round(input, out=None) - argmax函数：
torch.argmax(input, dim=None, keepdim=False)返回指定维度最大值的序号，
