Pytorch01-Tensor

1.初始化一个Tensor

Tensors可以用不同的方式去初始化。

1. 可以直接从数据中创建张量。数据类型会自动推断。

2. 可以从 NumPy 数组创建张量（反之亦然）。
   numpy‘np_array’和tensor‘x_np’在这里共享内存位置，因此更改一个的值将更改另一个。

3. 从另一个tensor创建。除非明确重载，否则新tensor将保留参数tensor的属性（形状、数据类型）。
   下面x_one保留tensor的属性，x_rand重载tensor的属性。

2.随机值或恒定值：

shape 是tensor维度的元组。在下面的函数中，它决定了输出tensor的维度。

3.tensor的属性

tensor属性描述它们的形状、数据类型以及存储它们的设备。

有100多种张量运算，包括算术、线性代数、矩阵运算（如转置、索引和切片）。对于采样和审查，您可以在此处找到全面的描述。
这些操作中的每一个都可以在GPU上运行（通常比在CPU上更高的速度）。
CPU最多有16个内核。核心是进行实际计算的单元。每个核心按顺序处理任务（一次处理一个任务）。
GPU有1000个内核。GPU核心处理并行处理中的计算。任务在不同的核心之间进行划分和处理。这就是为什么在大多数情况下GPU比CPU更快的原因。GPU在处理大数据时比处理小数据时性能更好。GPU通常用于图形或神经网络的高强度计算（我们稍后将在神经网络单元中了解更多信息）。
PyTorch可以使用英伟达CUDA库来利用他们的GPU卡。
显示cpu和gpu之间工作负载的图表。

默认情况下，张量是在CPU上创建的。张量也可以计算为GPU；要做到这一点，您需要使用.to方法（在检查GPU可用性后）移动它们。请记住，在设备之间复制大张量在时间和内存方面可能会很昂贵！

1. 类似于 numpy 的标准索引和切片：
   
2. 连接张量

可以使用torch.cat沿给定维度连接张量序列。torch.stack是一个相关的张量连接选项，它将一系列张量沿着一个新的维度连接起来。

3. 算术运算

4. 单元素张量
   如果您有一个单元素张量，例如，通过将张量的所有值聚合为一个值，您可以使用item（）将其转换为Python数值：
   

5. in-place（就地）操作

将结果存储到操作数中的操作会就地调用。它们用_后缀表示。例如：x.copy_（y），x.t_（）将更改x。
注意：就地操作可以节省一些内存，但在计算导数时可能会出现问题，因为它们会立即丢失历史记录。因此，不鼓励使用它们。

6. 与 NumPy 的桥接

CPU 上的张量和 NumPy 阵列可以共享底层内存位置，改变其中一个就会改变另一个。

tensor到numpy数组

tensor的变化映射到numpy数组中

numpy数组到tensor

numpy数组中的变化会映射到tensor