torch.autograd.Variable

Variable是torch.autograd中的数据类型，主要用于封装Tensor，进行自动求导
data: 被包装的Tensor
grad: data的梯度
grad_fn: 创建Tensor的Function，是自动求导的关键
requires_grad: 指示是否需要梯度
is_leaf: 指示是否是叶子节点

torch.Tensor

从Pytorch0.4.0开始，Variable并入Tensor
dtype: 张量的数据类型，如torch.FloatTensor或torch.cuda.FloatTensor
shape: 张量的形状
device: 张量所在设备，GPU、CPU
data: 被包装的Tensor
grad: data的梯度
grad_fn: 创建Tensor的Function，是自动求导的关键
requires_grad: 指示是否需要梯度
is_leaf: 指示是否是叶子节点

Tensor的创建方法：

直接创建

torch.tensor(
			data,
			dtype=None,
			device=None,
			requires_grad=False,
			pin_memory=False
)

功能: 从data创建tensor
data:数据，可以是list，numpy
dtype: 数据类型，默认与data的一致
device:所在设备，cuda/cpu
requires_grad:是否需要梯度
pin_memory: 是否存在于锁页内存，会更快
也可以使用torch.from_numpy(ndarray)
2. 依据数值创建

torch.zeros(
			*size,
			out=None,
			dtype=None,
			layout=torch.strided,
			device=None,
			requires_grad=False
)

功能：依size创建全0张量
size:张量的形状，如（3,3）、（3,244,244）
out:输出的张量
layout:内存中布局形式，有strided(顺序存储，大多用于稠密张量)，sparse_coo（离散存储，大多用于稀疏张量）
device: 所在设备，gpu、cpu
requires_grad:是否需要梯度

torch.zeros_like(input,
				dtype=None,
				layout=None,
				device=None,
				requires_grad=False)

功能：依input形状创建全0张量

torch.arange(start=0,
			end,
			step=1,
			out=None,
			dtype=None,
			layout=torch.strided,
			device=None,
			requires_grad=False)

功能：创建等差的一维张量
注意事项：数值区间为[start, end)
start:数列起始值
end:数列“结束值”
step:数列公差，默认为1

torch.linspace(
				start,
				end,
				steps=100,
				out=None,
				dtype=None,
				layout=torch.strided,
				device=None,
				requires_grad=False)

功能：创建均分的1维向量
注意事项：数值区间为[start, end]
start:数列起始值
end:数列结束值
steps:数列长度

torch.logspace(start,
				end,
				steps=100,
				base=10.0,
				out=None,
				dtype=None,
				layout=torch.strided,
				device=None,
				requires_grad=False)

功能：创建对数均分的1维张量
注意事项：长度为steps，底为base
start: 数列起始值
end: 数列结束值
steps: 数列长度
base：对数函数的底，默认为10

依概率分布创建张量

torch.normal(mean,
			std,
			out=None)

功能：生成正态分布（高斯分布）
mean：均值
std: 标准差

torch.randn(*size,
			out=None,
			dtype=None,
			layout=torch.strided,
			device=None,
			requires_grad=False)

torch.randn_like()
功能：生成标准正态分布

torch.rand(*size,
		out=None,
		dtype=None,
		layout=torch.strided,
		device=None,
		requires_grad=False)
torch.randint(
			low=0,
			high,
			size,
			out=None,
			dtype=None,
			layout=torch.strided,
			device=None,
			requires_grad=False
			)