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(data)：创建全0的Tensor。
>>> torch.zeros(2, 3)
tensor([[0., 0., 0.],
[0., 0., 0.]])
torch.eye(*size)：创建对角Tensor。
>>> torch.eye(3, 3)
tensor([[1., 0., 0.],
[0., 1., 0.],
[0., 0., 1.]])
torch.arange(s, e, step)：生成从s到e，步长为step的一维Tensor。
>>> torch.arange(1, 10, 2)
tensor([1, 3, 5, 7, 9])
torch.linspace(s, e, n)：生成从s到e，size为n的一维Tensor。
>>> torch.linspace(1, 10, 2)
tensor([ 1., 10.])
torch.randn(*size)：标准分布。
>>> torch.randn(2, 3)
tensor([[-0.8712, -0.2707, -0.4527],
[ 0.3612, 0.2612, -0.6841]])
torch.rand(*size)：均匀分布。
>>> torch.rand(2, 3)
tensor([[0.5604, 0.5680, 0.5437],
[0.6341, 0.0839, 0.2817]])
torch.tensor是在0.4版本新增加的一个新版本的创建tensor方法，使用的方法，和参数几乎和np.array完全一致。不论输入的类型是什么，torch.tensor都会进行数据拷贝，不会共享内存。
>>> a = np.array([1, 2, 3])
>>> b = torch.tensor(a)
>>> a[0] = 0
>>> a
array([0, 2, 3])
>>> b
tensor([1, 2, 3], dtype=torch.int32)
Tensor转换：
Torch定义了七种CPU tensor类型和八种GPU tensor类型：
他们之间可以通过内置函数互相转换：
将tensor投射为long类型：newtensor = tensor.long()
将tensor投射为半精度浮点(16位浮点)类型：newtensor = tensor.half()
将tensor投射为int类型：newtensor = tensor.int()
将tensor投射为double类型：newtensor = tensor.double()
将tensor投射为float类型：newtensor = tensor.float()
将tensor投射为char类型：newtensor = tensor.char()
将tensor投射为byte类型：newtensor = tensor.byte()
将tensor投射为short类型：newtensor = tensor.short()
>>> a.dtype
torch.float32
>>> a.int()
tensor([1, 2, 3], dtype=torch.int32)
>>> a.double()
tensor([1., 2., 3.], dtype=torch.float64)
>>> a.long()
tensor([1, 2, 3])
Tensor可以存放在不同的device(cpu/gpu)。
cpu –> gpu，使用data.cuda()。
gpu –> cpu，使用data.cpu()。
>>> a = torch.Tensor([1, 2, 3], device=torch.device('cpu'))
>>> a.device
device(type='cpu')
Tensor可以和Numpy的ndarray互相转换。返回的新tensor与源tensor共享内存，也即更改其中的一个，另外一个也会跟着改变。 当numpy的数据类型和Tensor的类型不一样的时候，数据会被复制，不会共享内存。
Tensor –> Numpy.ndarray ，可以使用 data.numpy()。
Numpy.ndarray –> Tensor ，可以使用torch.from_numpy(data)。
>>> a.numpy()
array([1., 2., 3.], dtype=float32)
Tensor –>Python List，可以使用 data.tolist()。
>>> a.tolist()
[1., 2., 3.]
一个tensor如果想要转换为标准的python对象数值，需要调用tensor.item()，这个方法只对包含一个元素的tensor适用。
>>> a
tensor(10)
>>> a.item()
10
>>> c = torch.tensor([1, 2, 3])
>>> c.item()
Traceback (most recent call last):
File "", line 1, in
ValueError: only one element tensors can be converted to Python scalars
Tensor常规操作
查看Tensor的大小：tensor.size()。
查看Tensor的大小：tensor.shape。
>>> a.size()
torch.Size([3])
>>> a.shape
torch.Size([3])
统计Tensor的元素个数：Tensor.numel()。
>>> a.numel()
3
调整tensor的形状：tensor.view()。
该函数必须保证调整前后元素总数一致。view不会修改自身的数据，返回的新tensor与源tensor共享内存，也即更改其中的一个，另外一个也会跟着改变。
>>> a.view(-1, 3)
tensor([[1., 2., 3.]])
为Tensor添加维度：tensor.unsqueeze()。
为Tensor减少维度：tensor.squeeze()。
>>> a
tensor([1., 2., 3.])
>>> b = a.unsqueeze(0)
>>> b
tensor([[1., 2., 3.]])
>>> b = b.squeeze(0)
>>> b
tensor([1., 2., 3.])
Tensor索引操作
Tensor支持与numpy.ndarray类似的索引操作，语法上也类似，索引出来的结果与原tensor共享内存，也即修改一个，另一个会跟着修改。
索引示例如下：
>>> a = torch.rand(3, 3)
>>> a
tensor([[0.8817, 0.0785, 0.8402],
[0.9164, 0.9220, 0.8753],
[0.1414, 0.7123, 0.9890]])
>>> a[1]
tensor([0.9164, 0.9220, 0.8753])
>>> a[:, 0]
tensor([0.8817, 0.9164, 0.1414])
>>> a[a > 0.5]
tensor([0.8817, 0.8402, 0.9164, 0.9220, 0.8753, 0.7123, 0.9890])
Tensor运算
PyTorch支持几种不同的运算，如下示例所示：
Tensor内置函数：Tensor.sum()。
Torch运算函数：Torch.sum()。
>>> a.sum()
tensor(6.)
>>> torch.sum(a)
tensor(6.)
>>> a.sum_()
不修改Tensor的内置函数：Tensor.add(b)。
修改Tensor的内置函数：Tensor.add_(b)。
函数名以_结尾的都是inplace方式，即会修改调用者自己的数据。
>>> a = torch.tensor(6)
>>> b = torch.tensor(4)
>>> a.add(b)
tensor(10)
>>> a
tensor(6)
>>> a.add_(b)
tensor(10)
>>> a
tensor(10)
符号运算：tensor + tensor。
>>> a + b
tensor(14)
常用的Tensor操作如上所示，但是以上介绍并不包括所有的Tensor操作，详细的可以查看PyTorch手册。