pytorch中一些有关tensor的操作
pytorch官网：https://pytorch.org/tutorials/
pyorch中的tensor译作“张量”，简单理解，就是 多维数组 ，与numpy中的ndarray非常相似。
既然是深度学习的工具，tensor还具有 自动求梯度 和 GPU计算 等强大功能。
常用操作
创建tensor：
torch.tensor([[1,2],[3,4]]) 直接根据数据创建
torch.empty(2, 3) 创建一个 未初始化的tensor
torch.zeros(2, 3, dtype=torch.long) 创建一个long型全0tensor
torch.rand(2, 3) 创建一个随机初始化的tensor
x = x.new_ones(2, 3) 通过现有的tensor创建新tensor，创建的新tensor具有相同的torch.dtype和torch.device
x = torch.randn_like(x, dtype=torch.float) 指定新的数据类型
获取tensor的形状：
x.shape --> tensor属性
x.size() --> tendor方法
其他函数：
算数操作：
- x+y
- x.add(y)
有关索引：
支持方括号切片索引：y = x[:,0]
函数：
改变形状：
1.view()
y = x.view(6)
y = x.view(-1, 2)
注：该方法的返回与原tensor共享data，即view仅仅从观察角度改变了张量，内部数据并未改变。所以当更改其中一个tensor时，另一个tensor也会跟着改变。
2.reshape()
此函数并不能保证返回的是其拷贝，不推荐。
3.clone()+view()
推荐，先使用clone()方法创建一个副本，再用view()改变形状。
一些与线性代数有关的运算函数：
tensor也有广播机制。
tensor与ndarray相互转换：
- tensor转ndarray : x = torch.ones(3); y = x.numpy()
- numpy转tensor : torch.from_numpy()
注意：以上两种方式tensor和ndarray共享内存！！ 即，其中一个改变，另一个也会跟着改变。 - torch.tensor()也可以将ndarray转换成tensor，但是不共享内存，是产生copy（消耗更多时间和空间）。
CPU与GPU之间移动：
x.to(“cpu”,torch.double)
自动求梯度
pytorch提供的autograd包能够根据输入和前向传播过程自动构建计算图，并执行反向传播。
创建一个tensor x，设置其属性requires_grad=True，在接下来关于x的运算中，就会创建计算图，是用grad_fn属性所记录的，这个属性其实就是一个Function对象。
创建完了计算图，就可以求梯度了，需要首先调用y.backward()进行反向传播。然后再获取x的grad属性，就是梯度了。
- 可以使用方法 .requires_grad(True/False)来修改tensor对象的requires_grad属性。
注意：grad在反向传播的过程中是累加的，意味着每一次运行反向传播，都会累加之前的梯度。所以，一般在反向传播之前需要把梯度清零。 x.grad.data.zero_()
注意：y.backward()时，y只能是标量，否则需要传入一个与y同行的tensor，使其变成标量。无法完成向量对向量的求导。只能完成标量对向量求导。