pytorch基础（一）-----------张量的创建

张量在深度学习中是一个经常使用的，张量是一个多维数组，它是标量、向量、矩阵的高维拓展（1*1的数组称为标量、一维数组称为向量，二维数组称为矩阵）。张量的属性有：
dtype：张量的数据类型
shape：张量的形状
device：张量所在的设备，例如GPU/CPU
data：被包装的tensor
grad：data的梯度
grad_fn：创建张量的function，是自动求导的关键
requires_grad：是否需要梯度
is_leaf：是否是叶子节点

张量的创建

一、直接创建

1、通过数据创建
torch.tensor(data, dtype=None, device=None, requires_grad=False, pin_memory=False)
参数解释：
data：数据，可以是list，numpy
dtype：数据类型，默认与data类型一致
device：所在设备，cuda/cpu
requires_grad：是否需要梯度
pin_memory：是否存于锁页内存

2、通过numpy数组创建
torch.form_numpy(ndarray)
注意：通过这种方式创建的tensor与原数组共享内存，当修改其中一个，另外一个也会被修改

二、依据数值创建

1、创建全零张量
torch.zeros(size, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)
参数解释：
size：张量的形状
out：输出的张量
layout：内存中的布局形式，有strided、sparse_coo等
device：所在设备，gpu/cpu
requires_grad：是否需要梯度

2、依据输入的形状创建全零张量
torch.zeros_like(input, dtype=None, layout=None, device=None, requires_grad=False)
参数解释：
input： 创建与input同形状的全零张量
dtype：数据类型
layout：内存中的布局形式

3、创建全1张量和依据输入创建全1张量
torch.ones(size, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)
torch.ones_like(input, dtype=None, layout=None, device=None, requires_grad=False)

4、依据数值创建
torch.full(size, full_value, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)
torch.full_like(input, full_value, dtype=None, layout=None, device=None, requires_grad=False)
size：张量的形状
full_value:需要填充的张量的值（比如创建一个3*3全是9的张量，size=(3, 3)，full_value=9）

5、创建等差的一维张量
torch.arange(start=0, end, step=1, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)
注意：数值的区间为[start, end)
参数解释：
start：数列的起始值
end：数列的终止
step：公差

6、创建等比的一维张量
torch.linspace(start, end, steps=100, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)
注意：数值区间为[start， end]
参数解释：
start：数列的起始值
end：数列的终止
step：数列长度

7、创建对数均分的一维张量
torch.logspace(start, end, steps=100, base=10.0, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)
参数解释：
start：数列的起始值
end：数列的终止
step：数列长度
base：对数函数的底，默认为10

8、创建单位对角张量（二维）
torch.eye(n, m=None, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)
注意：默认为方阵
参数解释：
n：矩阵列数
m：矩阵行数

9、创建正态分布（高斯分布）
torch.normal(mean, std, out=None)
参数解释：
mean：均值
std：标准差

10、创建标准正态分布
torch.randn(size, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)
参数解释：
size：张量形状
torch.randn_like()

11、创建[0， 1)上的均匀分布张量
torch.randint(low=0, high, size, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)
torch.randint_like()

三、依据概率分布创建张量

1、创建从0~n-1的随机排列张量
torch.randperm(n, out=None, dtype=torch.int64, layout=torch.strided, device=None, requires_grad=False)
参数解释：
n：张量长度

2、创建伯努利分布张量
torch.bernoulli(input, generator=NOne, out=None)
参数解释：
input：概率