libtorch (pytorch c++) 教程（二）

本教程分多个章节：

• 第一章：开发环境搭建：VS+libtorch和Qt+libtorch
• 第二章：张量的常规操作
• 第三章：简单的CNN, MLP, LSTM模型搭建
• 第四章：数据加载模块使用
• 第五章：分类模型搭建，训练和预测
• 第六章：分割模型搭建，训练和预测
• 第七章：目标检测模型搭建，训练和预测
• 第八章：总结和展望
  
  本章讲述张量的常见操作，可以先初步了解，具体在设计损失函数等任务中可以用到。随时翻阅

张量初始化

libtorch(pytorch c++)的大多数api和pytorch保持一致，因此，libtorch中张量的初始化也和pytorch中的类似。本文介绍四种深度图像编程需要的初始化方法。
第一种，固定尺寸和值的初始化。

//常见固定值的初始化方式
auto b = torch::zeros({
   3,4});
b = torch::ones({
   3,4});
b= torch::eye(4);
b = torch::full({
   3,4},10);
b = torch::tensor({
   33,22,11});

pytorch中用[]表示尺寸，而cpp中用{}表示。zeros产生值全为0的张量。ones产生值全为1的张量。eye产生单位矩阵张量。full产生指定值和尺寸的张量。torch::tensor({})也可以产生张量，效果和pytorch的torch.Tensor([])或者torch.tensor([])一样。

第二种，固定尺寸，随机值的初始化方法

//随机初始化
auto r = torch::rand({
   3,4});
r = torch::randn({
   3, 4});
r = torch::randint(0, 4,{
   3,3});

rand产生0-1之间的随机值，randn取正态分布N(0,1)的随机值，randint取[min,max)的随机整型数值。

第三种，从c++的其他数据类型转换而来

int</