创建张量：

• torch.tensor(data): 从数据中创建张量。用列表创建，numpy创建
• 维度只看[ ]

# 一维张量
data_1d = [1, 2, 3]
tensor_1d = torch.tensor(data_1d)
# 结果
tensor([1, 2, 3])

# 二维张量
data_2d = [[1, 2, 3], [4, 5, 6],[4, 5, 6]]
tensor_2d = torch.tensor(data_2d)
#结果
tensor([[1, 2, 3],
        [4, 5, 6]
        [4, 5, 6]])
# 但是形状是
torch.Size([3, 3])

# 三维张量
tensor_3d = torch.tensor([[[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]],
                         [[13, 14, 15, 16], [17, 18, 19, 20], [21, 22, 23, 24]]])
# 结果

tensor([[[ 1,  2,  3,  4],
         [ 5,  6,  7,  8],
         [ 9, 10, 11, 12]],

        [[13, 14, 15, 16],
         [17, 18, 19, 20],
         [21, 22, 23, 24]]])

• torch.zeros(shape): 创建指定形状的全零张量。
• torch.ones(shape): 创建指定形状的全一张量。
• torch.randn(shape): 创建指定形状的随机张量。

张量操作：

• tensor.size(): 返回张量的大小。形状的大小,几行几列
• tensor.view(shape): 改变张量的形状。

# 创建一个4x3的矩阵（2维tensor）
tensor_original = torch.tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]])

# 结果
tensor([[ 1,  2,  3],
        [ 4,  5,  6],
        [ 7,  8,  9],
        [10, 11, 12]])

# 使用view改变形状为3x4
tensor_reshaped = tensor_original.view(3, 4)
# 结果
tensor([[ 1,  2,  3,  4],
        [ 5,  6,  7,  8],
        [ 9, 10, 11, 12]])

• torch.cat(tensors, dim): 沿指定维度拼接张量。

tensor1 = torch.tensor([[1, 2, 3], [4, 5, 6]])
tensor2 = torch.tensor([[7, 8, 9], [10, 11, 12]])

# dim=0 表示沿着第一个维度（行的方向）进行连接。
concatenated_tensor = torch.cat([tensor1, tensor2], dim=0)
tensor([[ 1,  2,  3],
        [ 4,  5,  6],
        [ 7,  8,  9],
        [10, 11, 12]])

# dim=1 表示沿着第二个维度（列的方向）进行连接。
concatenated_tensor = torch.cat([tensor1, tensor2], dim=1)
tensor([[ 1,  2,  3,  7,  8,  9],
        [ 4,  5,  6, 10, 11, 12]])

• tensor.item(): 获取张量中的单个元素的数值

数学运算：

a = torch.tensor([[1, 2, 3], [4, 5, 6]])

b = torch.tensor([[7, 8, 9], [10, 11, 12]])

tensor([[1, 2, 3],
        [4, 5, 6]])

tensor([[ 7,  8,  9],
        [10, 11, 12]])

• torch.add(tensor1, tensor2): 张量相加。

result = torch.add(a, b)
tensor([[ 8, 10, 12],
        [14, 16, 18]])

• torch.sub(tensor1, tensor2): 张量相减。
• torch.mul(tensor1, tensor2): 张量相乘。

torch.mul(a,b)
tensor([[ 7, 16, 27],
        [40, 55, 72]])

• torch.div(tensor1, tensor2): 张量相除

自动求导：

• tensor.requires_grad_(True): 启用梯度跟踪。
• tensor.backward(): 计算梯度。
• tensor.grad: 获取计算得到的梯度。