一、张量
1）定义：
维度超过二的的数组叫张量
2）
在torch中张量有八种数据类型：
?在torch中默认为32位浮点型的数据类型，可以通过torch.set_defoult_tensor_dtpype()更改默认的数据类型
import torch
torch.tensor([1.2,3.4]).dtype
out:torch.float32
更改类型：
torch.set_defoult_tensor_dtpype(torch.DoubleTensor)
torch.tensor([1.2,3.4]).dtype
out:torch.float64
将浮点型转化成其他类型的方法：
a=torch.tensor([1.2,3.4])
print("a.dtype:",a.dtype)
print("a.long().dtype:",a.long().dtype)
print("a.int().dtype:",a.int().dtype)
print("a.float().dtype:",a.float().dtype)out:
a.dtype: torch.float32
a.long().dtype: torch.int64
a.int().dtype: torch.int32
a.float().dtype: torch.float32
3)张量的生成
使用torch.Tensor()函数生成张量
a=torch.tensor([1.2,3.4])
print(a)tensor([1.2000, 3.4000])
获取维度：
b=a.shape获取形状大小：
c=a.size()计算所包含元素数量：
d=a.numel()out：torch.Size([2])? ? torch.Size([2])? ? 2
使用参数requirs_gard来指定张量是否要计算梯度，只有计算了梯度张量才能在深度网络优化中根据梯度大小进行更新。
B=torch.tensor([1,2,3]，requires_gard=True)
因为张量B是可计算梯度的，故可以计算sum（B**2）的梯度
B=torch.tensor((1,2,3),dtype=torch.float32,requires_grad=True)
y=B.pow(2).sum()
C=y.backward()
D=B.grad
print(C,D)out：None tensor([2., 4., 6.])
只有浮点型的数据才能计算梯度
还可以用torch.Tensor()函数
创建张量
c=torch.Temsor（[1,2,3,4]）
创建形状参数生成特定尺寸的张量
生成2*3的张量
D=torch.Temsor(2,3)
可以用torch.**_like()生成与指定张量维度形状相同的张量
如：
torch.ones_like(D)
out:tensor([[1.1.1],[1,1,1}])
随机张量：
torch.rand_like(D)
4)张量和numpy的转换
将Numpy转换成pytorch可以使用torch.as_tensor()和torch.from_numpy()
f=np.ones((3,3))
Ftensor=torch.as_tensor(F)
out:
tensor([[1., 1., 1.],
? ? ? ? [1., 1., 1.],
? ? ? ? [1., 1., 1.]], dtype=torch.float64)