PyTorch系列（3）：tensor生成操作大全

下面参数中的省略号代表dtype、requires_grad等常规参数。

一、

torch.tensor(data, dtype=None, device=None, requires_grad=False, pin_memory=False) → Tensor

1、用data创建一个tensor

2、torch.tensor会从data出复制数据，意味着生成的tensor不会和data共享内存（改变data并不会改变tensor）

#data: 数据，类似于数组
#dtype： 生成的tensor类型
#device: cpu或者GPU
#requires_grad:是否进行微分
#pin_memory: 是否分配到pinned memory,仅仅适用于CPUtensor
import torch
#如果gpu可用选择gpu，否则用cpu
device = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu')
x = torch.tensor([1.,2], dtype=torch.float64, device=device,requires_grad=True)
x

tensor([ 1.,  2.], dtype=torch.float64, device='cuda:0')

二、

torch.sparse_coo_tensor(indices, values, size=None, dtype=None, device=None, requires_grad=False) → Tensor ：创建一个稀疏tensor，格式为COO类型

COO类型表示给出非零元素的坐标形式

# indices：非零元素的坐标，如下例的indices，indices[0]表示三个横坐标，indices[1]表示三个纵坐标，因此稀疏矩阵中非零的位置分别为（0，2），（1，0），（1，2）
# values: 非零元素的值， 如下例中的values，三个非零元素分别为3，4，5
#size：次数矩阵的维度
indices = torch.tensor([[0, 1, 1], [2, 0, 2