1.Pytorch中tensor的生成与访问

可以使用arange()创建一个张量：如，torch.arange(12)创建0开始的前12个整数：

 除非特殊指定，否则新的张量将存放在内存中，并采用CPU计算。

可以使用reshape()来改变张量的形状：

 注意，reshape()的发起者是一个张量，比如这里的x.reshape(),x是一个张量。reshape操作只改变张量的形状，

并不改变张量的大小(元素的数量)以及张量中的值。还可以用x.reshape(-1,4)或x.reshape(3,-1)实现x.reshape(3,4)

同样的功能。

使用tensor.zeros()创建全0的tensor，括号内指定该全0的tensor的形状，如：

 上面的例子创建了一个形状为(2,3,4)的tensor。全1同理：

使用torch.randn()创建均值为0，方差为1的标准正态分布张量，括号内同样是指定张量的形状，如：

还可以用python的列表来为张量指定值和形状，写法为：torch.tensor() ：

可以使用torch.zeros_like(y)创建与y同形状的全0张量：

可以使用shape查看张量的形状：

 注意，shape的发起者一定也是张量。比如这里的x.reshape(3,4)是shape动作的发起者，它是一个三行四列的张量。

2.Tensor的基本计算

加、减、乘、除、乘方、幂指这些运算，都可以直接用在张量上，表示按元素的计算（element-wise）:

 使用torch.exp()对张量的每一个元素做以e为底的幂指运算，括号内是某个张量：

使用torch.cat()拼接两个张量。括号中指出要拼接的两个张量以及dim的值，dim=0是竖着拼，dim=1是横着拼：

使用“==”对张量中的每一个数值判等，运算结果是一个布尔值构成的张量：

对张量中的所有元素进行求和，会产生一个单元素张量：

 广播机制如下面的例子：

矩阵a将复制自身的列，矩阵b将复制自身的行，然后对应元素相加。

可以使用索引来访问tensor的元素，下面的例子中，X的是2维的，它的每一个元素是一个向量，X[0]访问第一个向量，

X[0,0]访问第一个向量中的第一个值：

 特别地，可以用-1访问最后一个元素，用冒号":"进行连续访问：

 这里面的"1:3"表示访问“下标”为1的元素（即第二个元素）开始的，连续的元素，一直到下标为3的元素（不包括3，前闭后开）。

还有以下的用法，将矩阵后两行全部赋值0：

 将矩阵所有元素赋值0：

3.一个节省内存的方法

在为张量更新值的时候，如果只是简单的使用“x = expression”这样更新，则会为x分配一个新的内存。这样有两个不好的地方：

1. 机器学习中数据量很大，节约内存是有必要的。

2. 如果我们不原地更新，其他引用仍然可能指向旧的内存，这样可能会导致某些代码指向旧的参数。

原地更新的方法是：使用如x += 1代替x = x + 1 或使用切片：

4.Tensor与其他Python对象的转换

Pytorch的张量与Numpy的张量（ndarray）很容易相互转换：

 Pytorch的只有一个元素，大小为1的张量同样可以很轻松地转换为python标量，可以使用item()函数，或强制类型转换，

如float()，int()等：