一、张量的元素访问

1、一个元素：[x,y]
2、一行元素：[x,:]
3、一列元素：[:,y]
4、子区域元素：[1:3,1:]，
??即第1行（从0行开始）到第2行，第1列（从0列开始)到最后一行（包含）
5、子区域（跳跃访问）：[::3,::2]，
??即从第0行开始，间隔两行取，从第0列开始，间隔一列取值；

二、常用数据操作

常用操作

# 创建0到N的一维张量
x = torch.arange(N)

# 创造元素全为0的张量,m*n维度
torch.zeros(m,n)

# 创造指定张量
torch.tensor([[a1,a2,a3,a4],[b1,b2,b3,b4]]) # 2*4的张量

# 查看张量形状 返回torch.size([a1,a2,a3,...,an]),即n维张量，第i-1维有ai个元素
x.shape

# 变换张量形状，转换为m*n维度的张量
A = torch.reshape(x,(m,n))

# 张量运算
a + - * / ** b   # 张量内的元素一一对应进行运算，**为幂运算

# 张量拼接
torch.cat((x,y), dim = n) # 在第n维上进行拼接，其余维度保持不变

对张量进行运算时，注意广播机制，
例：x = [1,2,3], y = [[1],[2],[3]], x+y = [[2,3,4],[3,4,5],[4,5,6]]
即在运算中，x和y自动填充，x为1行3列，y为3行1列，则x会自动复制第一行，y会复制第一列，最终填充为3行3列的矩阵相加

三、简单数据预处理操作

文件相关操作连接：
http://t.csdn.cn/YZ23t

#将数据中所有行，第0和第1列放入inputs
inputs = data.iloc[:, 0:2] 

# 将空值赋为平均值
inputs = inputs.fillna(inputs.mean())

 # 将不同类型用0，1编码代替（类似one-hot），增加新的列
inputs = pd.get_dummies(inputs, dummy_na = True)