pytorch tensor查找0_PyTorch学习笔记(二)：Tensor操作

什么是Tensor

Tensor，又名张量，最早接触这个词是来自于TensorFlow，这个概念也被广泛的应用于不同的深度学习框架。

如果一个物理量，在物体的某个位置上只是一个单值，那么就是普通的标量，比如密度。如果它在同一个位置、从不同的方向上看，有不同的值，而且这个数恰好可以用矩阵乘观察方向来算出来，就是张量。几何代数中定义的张量是基于向量和矩阵的推广，通俗一点理解的话，我们可以将标量视为零阶张量，矢量视为一阶张量，那么矩阵就是二阶张量。

从工程角度来讲，可简单地认为它就是一个数组，且支持高效的科学计算。它可以是一个数(标量)、一维数组(向量)、二维数组(矩阵)和更高维的数组(高阶数据)。

PyTorch中的Tensor

Tensor是PyTorch中重要的数据结构，可认为是一个高维数组。Tensor和Numpy中的ndarrays类似，但Tensor可以使用GPU进行加速计算。PyTorch中有许多不同的方法可以创建Tensor。

创建Tensor的方法：

torch.Tensor(*sizes)：随机创建指定形状的Tensor。

使用该方法创建Tensor时，系统不会马上分配空间，只是会计算剩余的内存是否足够使用，使用到Tensor时才会分配。而其它操作都是在创建完Tensor之后马上进行空间分配。

>>> a = torch.Tensor(2, 3)

>>> a

tensor([[1.2748e-10, 4.5916e-41, 0.0000e+00],

[0.0000e+00, 0.0000e+00, 0.0000e+00]])

torch.Tensor(data)：将List转换为Tensor。

>>> a = torch.Tensor([[1,2,3],[4,5,6]])

>>> a

tensor([[1., 2., 3.],

[4., 5., 6.]])

torch.ones(data)：创建全1的Tensor。

>>> torch.ones(2, 3)

tensor([[1., 1., 1.],

[1., 1., 1.]])

torch.zeros(dat