二、pytorch核心概念：1.张量数据结构

本博客是阅读eat pytorch in 20 day第二章的个人笔记

1、张量数据结构

1. 张量的数据类型
首先，是数据类型的分类：
float: torch.float64 torch.float32 torch.float16
int:torch.int64 torch.int32 torch.int16 torch.int8
其它：torch.unit8 torch.bool
其次，数据类型的转换：

1. torch.tensor(数据)如果未规定类型，则自动推断数据类型。整数默认为torch.int64类型，小数默认为torch.float32类型。
2. torch.tensor(数据，dtype=类型)如果规定了类型，则为该类型
3. 和2有同样效果的还有特定类型构造函数：torch.IntTensor()、torch.FloatTensor()、torch.BoolTensor()
4. 不同类型进行转换：.float()、.type(类型)、.type_as(数据)。如：

i = torch.tensor(1); print(i,i.dtype)
x = i.float(); print(x,x.dtype) #调用 float方法转换成浮点类型
y = i.type(torch.float); print(y,y.dtype) #使用type函数转换成浮点类型
z = i.type_as(x);print(z,z.dtype) #使用type_as方法转换成某个Tensor相同类型

2. 张量的维度
张量.dim() 就是这个张量的维度
3. 张量的尺寸

1. 张量.shape或张量.size()是这个张量每个维度的长度
2. 张量.view(大小：如3,4)可以把张量从一个尺寸变到另一个尺寸，但只能转变语义和存储在行优先上一致的张量。否则需要用.contiguous().view(3,4)，.contiguous()拷贝一份张量并将其按语义存储。
3. 张量.reshape(大小)相当于 张量.contiguous().view(3,4)。能够在语义和存储在行优先上不一致(存储结构扭曲)时完成张量尺寸的变换。
   关于.view(大小：如3,4)和 张量.reshape(大小)的区别见：https://blog.csdn.net/qq_37828380/article/details/107855070

4. 张量和numpy数组
Tensor和numpy的相互转换：torch.from_numpy(numpy数组)和张量.numpy()。这两种方法关联的Tensor和numpy数组是共享数据内存的。如果对调用数据操作后返回到调用数据，二者都会改变。
用张量.clone()中断这种关联。
此外，用.item()和.tolist()把张量转换成python数值和列表。