1. 生成随机排列
t.randperm（5）
2. 重新调整tensor形状
a = t.range(0,6)
a.veiw(2,3)
a.unsqueeze(1) #注意形状，在第一维（下标从0开始）上增加1
a.unsqueeze(1) #压缩第1维的‘1’
a.unsqueeze() #把所有维度维“1”的压缩
a.resize_(4,3) #旧的数据依旧保存着，多出的数据会分配新空间
图片.png
3.设置下限和上界
t.clamp(a, min = 3)
t.clamp(a, max = 4)
4. Tensor和Numpy转换
Tensor和Numpy数组之间具有很高的相似性，彼此之间的互操作也非常简单高效。需要注意的是，Numpy和Tensor共享内存。由于Numpy历史有据，支持丰富的操作，所以当遇到Tensor不支持的操作时，可先转成Numpy数据，处理后再转回tensor，其转换开销很小。
b = t.from_numpy(a)
b = t.Tensor(a)
f = b.numpy()
5.autograd
PyTorch在autograd模块中实现了计算图的相关功能，autograd中的核心数据结构时Variable。Variable封装了tensor，并记录对tensor的操作记录用来构建计算图。
data: 保存variable所包含的tensor
grad: 保存data对应的梯度，grad也是variable，而不是tensor，它与data形状一致。
grad_fn:指向一个Function,记录tensor的操作历史，即它是什么操作的输出，用来构建计算图。如果某一个变量是有用户创建的，则它为叶子节点，对应的grad_fn等于None.
非叶子节点grad计算完之后自动清空.那如何获取中间变量的梯度？
t.autograd.grad(z,y) #z对y的梯度，隐式调用backward()
