Pytorch-Tensor（张量）

Tensors 类似于 NumPy 的 ndarrays ，同时 Tensors 可以使用 GPU 进行计算。

创建Tensor：可以通过torch.tensor()函数从Python列表或NumPy数组创建Tensor。也可以使用torch.ones()、torch.zeros()等函数创建特定大小和形状的Tensor。

import torch

# 从列表创建Tensor
a = torch.tensor([1, 2, 3, 4, 5])

# 创建大小为(3, 4)的全零Tensor
b = torch.zeros(3, 4)

# 从NumPy数组创建Tensor
import numpy as np
np_array = np.array([[1, 2, 3], [4, 5, 6]])
c = torch.tensor(np_array)

Tensor的属性：Tensor具有dtype（数据类型）和device（存储设备）等属性。

a = torch.tensor([1, 2, 3, 4, 5])
print(a.dtype)  # 输出: torch.int64
print(a.device)  # 输出: cpu

Tensor的运算：可以像NumPy数组一样进行加减乘除等数学运算，也可以使用PyTorch提供的函数进行操作。

a = torch.tensor([1, 2, 3])
b = torch.tensor([4, 5, 6])
c = a + b  # 对应元素相加
print(c)  # 输出: tensor([5, 7, 9])

Tensor和NumPy数组的转换：可以使用.numpy()方法将Tensor转换为NumPy数组，也可以使用torch.from_numpy()函数将NumPy数组转换为Tensor。

import numpy as np
a = torch.tensor([1, 2, 3])
np_array = a.numpy()  # Tensor转为NumPy数组

 Tensor的形状操作：可以使用.reshape()方法改变Tensor的形状，也可以使用.view()方法进行类似的操作。

a = torch.tensor([[1, 2], [3, 4]])
b = a.view(4)  # 将形状改为(4,)

Tensor的广播：当对两个形状不同的Tensor进行运算时，PyTorch会自动进行广播，使得它们的形状相容。

a = torch.tensor([[1, 2, 3], [4, 5, 6]])
b = torch.tensor([10, 20, 30])
c = a + b  # 自动广播b使其形状与a相同

Tensor的梯度追踪：PyTorch的Tensor可以自动追踪计算图，并且支持自动求导。

x = torch.tensor([1.0, 2.0, 3.0], requires_grad=True)
y = x**2
z = y.sum()
z.backward()  # 对z求导
print(x.grad)  # 输出: tensor([2., 4., 6.])