PyTorch入门实战教程笔记（四）：基础张量操作1
PyTorch入门实战教程笔记（四）：基础张量操作1
包括：数据类型 和 创建Tensor
数据类型：
Python 与PyTorch基本类型对比如下图,可以看到数据可以一一对应，不同的维度表示了不同的类型。不过应该注意的是，PyTorch中没有类键string支持的，不过可以采用编码的方式，例如One-hot来表示，如 [0,1,0,0…]. 除此之外，也可以用Embedding可以用来表示常用的语言，不多介绍。
在PyTorch中，我们只需要记住常用的类型就行，如下图所标准的类型，torch.ByteTensor用来比较两个元素是否相等，并且应该注意torch的CPU和GPU的类型是不一样的 中间要加cuda。可以用data=data.cuda()进行CPU到GPU类型的转换
我们可以使用一下方法来检验tensor的类型：
Dim 0张量：（标量）建立一个dimension（维度）为零的tensor，这种类型在loss函数中常用。可以用下图的语句得到标量的shape。
Dim 1 张量 （向量，一维），定义是需要在tensor（）中加[],还可以使用FloatTensor（），但是要注意，tensor（）指定的就是tensor的数据，而FloatTensor（）初始参数即可向量的长度。用nump.ones(2)生成一个长度为2的长度，常用于Bias、Linear Input的数据。
Dim 2 张量 （矩阵），经常使用于带有batch的Linear Input，可以用下面方法实现：
Dim 3 张量 按下面的方法定义3阶张量，常用于 RNN.
Dim 4 张量 4阶张量，特别适合图像处理，四个参数如（2,3，28,28），代表两张图片，3个通道（RGB），高度28，宽度28的图片。
另，除此之外，已用numel（）来计算整个张量的个数多少，如下图 2×3×28×28=4704，还可以用dim()来计算张量的阶数。
创建Tensor
引入Tensor
第一种方式，通过numpy引入，直接导进来，数据不变，为什么要转呢，因为要使用Tensor在GPU上加速运算，具体实现如下图：
第二种方式，直接通过list创建，具体如下图，需要注意的是torch.tensor（）和torch.FloatTensor（）是不一样的，tensor的T大小写含义不同，小写代表数据直接传入，大写如果不加list[],（2,3）代表创建一个两行三列的矩阵。所以尽量少用大写的创建数据直接传入。
生成数据：
#下面三种均可生成未初始化的数据：
torch.empty()
torch.FloatTensor(d1,d2,d3) #使用前要把数据写进来
torch.IntTensor(d1,d2,d3)
#初始化方式,没有初始化的可能存在隐患，推荐使用随机初始化
torch.rand（3,3） #使用均匀的伪随机的[0,1]之间的随机数
torch.randint（1,10） #从1-10中间随机的整数（不包含10）
torch.randn（3,3） #正态分布的随机初始化，均值为0，方差为1
#还可以用torch.normal,前一个参数mean是生成长度为10的向量[0,0,0..]，方差是1到0慢慢的减小，如1,0.9,0.8...
torch.normal( mean = torch.full([10],0), std=torch.arange(1,0,-0.1) )
#把所有的tensor赋值为同一个元素：
torch.full([2,3],7) #生成两行三列的矩阵，元素全为7，类型为FloatTensor
torch.full([],7) #生成一个标量，也就是维度为零的数
torch.full([1],7) #生成一个向量，一维向量
#torch支持arange，不支持range
torch.arange(0,10) #也是包前不包后
torch.arange(0,10，2) #也是包前不包后，步长为2
#linspace / logspace
torch.linspace(0,10,steps=4) #将0~10（包含头尾），平均分成4份，输出[0.0000,3.3333,6.6667,10.0000]
torch.logspace(0,-1,steps=4) #将0~-1（包含头尾）分成10份，输出结果为10的多少次方，比如第一个数据为1.000，即10的0次方，其余类推。
生成数据：
生成0、 1 、 对角线的矩阵方法，应注意eye()只能接受一个或两个参数，不能接受三个参数，一个参数代表输出一个对角方阵，两个参数输出如下：
相对于numpy中的随机打乱数据函数random.shuffle（），torch中有torch.randperm(),比如：
