一、理解深度学习中的数据结构（数据存储结构）
1、0维的数据是一个数，常用来表示一个类别
2、1维的数据表示一个特征向量，不同的列代表不同的特征。
3、2维的数据是一个样本，每一行是一个特征向量，不同的列表示不同特征。
4、3维的数据常用来表示图像，3个维度分别是 宽 x 高 x 通道
5、4维的数据常用来表示批量图像，4个维度分别是 图像数 x 宽 x 高 x 通道
6、5维的数据常用来表示视频数据，5个维度分别是 视频 x 时间 x 宽 x 高 x 通道数
二、数据操作的实现
在pytorch中，操作的数据对象是tensor（张量）
1、通过shape属性访问张量的形状，通过numel()函数访问张量的元素个数
2、多个张量的连接
操作对象是2维数据：
在第0维连接：堆叠行，其实是扩充特征向量的数量
在第1维连接：堆叠列，其实是扩充特征向量中的特征数
操作对象是三维数据：
连接的维度 2，1，0 分别扩充 宽（列）、高（行）、通道
3、广播机制
简单来说，广播机制使得维度不同的张量能够一起运算，它会在运算前会把张量的维度在逻辑上扩充到相同。举个实例理解广播机制，X是3行1列的张量，Y是1行2列的张量，X+Y运算的过程是：X中每一列都被复制，变成3行2列，Y的每一行都被复制，变成3行2列，最后X和Y相加。
4、tensor 转换成 numpy
使用X.numpy()函数
5、tensor 转换成 python标量
法一：使用X.item()函数
法二：使用内置函数，如float(X), int(X)函数
三、numpy 中ndarray 和 pytorch中 tensor 的区别
ndarray 和 tensor 数据在形式上很相似，但ndarray 仅是在计算机中的一个概念，而tensor 还可以是数学上的概念。