PyTorch学习笔记（4）：张量的操作（1）
张量生成之后，还需要对其进行一系列的操作。才能实现我们想要的效果，因此在笔记中记录如下情况：
目录
张量显示
输出第一行向量
输出某一行向量
输出第一列向量
输出最后一列向量
输出向量中元素
张量整合
整合为一个行向量
整合为多个列向量
张量代数运算
张量显示
如果想要输出张量中某一个元素、某一个向量，那么就需要有对应的代码来实现。具体的输出方式是这样的：
输出第一行向量
如果要输出第一行向量，其基本代码是：
print(x[0])特别注意的是，在PyTorch仍然遵循编程守则，即所有序列均从0开始。即数字0代表向量第1行。
输出某一行向量
如果要输出某一行向量，其基本代码是：
print(x[*, :])特别要注意的是，对于某一行，那么列一定要用“:"(冒号）代替。
输出第一列向量
如果要输出张量中的第一列向量，其基本代码是：
print(x[:, 0])输出最后一列向量
如果要输出张量中的最后一列向量，其基本代码是：
print(x[..., -1])输出向量中元素
如果要输出张量中的某一元素，其基本代码是：
print(x[*, *])其中，*代表所要输出的元素位置。
所有输出结果均为tensor(*)的形式，即所要输出的向量或元素内容。但下方是一个例外：
在部分情况下，由于向量中的元素有可能很大，因此在此种显示方式并不能完全显示元素的真实值，如果想要知道其确定值，就需要用到 item() 命令。具体的使用方法是：
print(x[*, *].item())张量整合
有时因为某些需要，需要将张量中的元素做一个整合。
整合为一个行向量
首先来看一个例子：
x = torch.rand(3, 4)
y = x.view(12)
print(x)
print(y)那么，输出结果是这样的
tensor([[0.4809, 0.3589, 0.4435, 0.8986],
[0.0050, 0.6750, 0.6397, 0.7821],
[0.0116, 0.3274, 0.5033, 0.8286]])
tensor([0.4809, 0.3589, 0.4435, 0.8986, 0.0050, 0.6750, 0.6397, 0.7821, 0.0116,
0.3274, 0.5033, 0.8286])上面的内容是一个3行4列的张量，下方的x.view(12)就是将其整合为1行12列的张量，也就是包含有12个元素的行向量。其中，12这个数字是所有向量的数量。如果我们不用12，看看效果是什么样的？
z = x.view(8)Traceback (most recent call last):
File "", line 1, in
RuntimeError: shape '[8]' is invalid for input of size 12 可见其提示，这个向量的元素有12个，尺寸8并不符合要求。
整合为多个列向量
如果我们需要将这个向量整合为一个其他形式的向量，该怎么办？可以采取这种方法：
y = x.view(-1, 6)这样做的结果是什么？
tensor([[0.4809, 0.3589, 0.4435, 0.8986, 0.0050, 0.6750],
[0.6397, 0.7821, 0.0116, 0.3274, 0.5033, 0.8286]])可以看出，原有的3行4列张量变成了2行6列的张量。
张量代数运算
张量求和运算
这里仅举一个例子，即张量求和运算
y = torch.rand(5, 3)
print(x + y)
# 方法二
# print(torch.add(x, y))
# 方法三
#result = torch.empty(5, 3)
#torch.add(x, y, out=result)
#print(result)
上述求和运算的代码可根据实际情况选用。
张量元素运算
如果想要对于所有元素进行操作，还需要掌握一种方法，就是
y.add_(x)
print(y)这个意思是，在y向量的基础上加上x向量。其中，x也可以替换为数字。
y.add_(1)即所有元素均加1。
但是要注意的是，在CPU环境下，这样的加和是对整体操作而非单独元素操作。
以上就是笔记4的全部内容。本笔记除在CSDN博客上登录，同时也在本人的个人博客网站www.im-zu.cn展示，敬请访问。