PyTorch：张量与矩阵

PyTorch 是一个基于 Python 的科学计算包，专门针对深度学习研究，提供了丰富的工具和库。在 PyTorch 中，张量（tensor）是深度学习的核心数据结构，它可以看作是可以进行自动微分的多维数组。张量不仅可以代表标量、向量和矩阵等数学概念，还可以表示高维的数据结构。本文将围绕 PyTorch 中的张量和矩阵展开讨论，介绍张量的创建、操作以及在深度学习中的应用，希望能够帮助读者更好地理解 PyTorch 中张量和矩阵的重要性和应用场景。

**1. 张量的基本概念**

在 PyTorch 中，张量是一种类似于 NumPy 数组的数据结构，用于表示多维数组。张量可以是标量（0维张量）、向量（1维张量）、矩阵（2维张量）等，还可以是高维的数据结构。张量不仅可以存储数据，还可以进行各种数学运算，并且支持自动微分等功能，是深度学习模型的基本组成部分。在 PyTorch 中，张量可以通过 torch.Tensor 类来创建，也可以通过 torch 模块下的各种函数来生成。

```python
import torch

# 创建标量张量
scalar = torch.tensor(3.1415)

# 创建向量张量
vector = torch.tensor([1, 2, 3, 4, 5])

# 创建矩阵张量
matrix = torch.tensor([[1, 2,