pytorch 基础内容

1. 张量概念及创建
   1.1 张量概念
   张量就是一个多维数字，是标量、向量、矩阵的高维拓展
   Pytorch 0.4.0后，Variable 和 Tenasor 合在了一起
   

   
   1.2 张量创建
   1.2.1 直接创建
   torch.tensor() 和 torch.from_numpy(ndarry) 从 numpy 创建 tensor
   1.2.2 依据数值创建
   torch.zero() 根据 size 创建全 0 张量
   torch.zero_like() 根据 input 创建全 0 张量
   torch.ones() 和 torch.ones_like() 创建全1向量
   torch.full() 和 torch.full_like() 创建指定数据张量
   torch.arange() 创建等差的1维张量
   torch.linspace() 创建均分的1维张量
   torch.longspace() 创建对数均分1维张量
   torch.eye() 创建单位对角矩阵（2维张量）
   1.3 依概率分布创建张量
   torch.normal 生成正态分布（高斯分布））
   4种模式：mean 和 std 分别为标量和张量情况
   torch.randn() 和 torch.randn_like() 生成标准正态分布
   torch.rand() 和 torch.rand_like() 生成在 [ 0, 1 ) 上的均匀分布
   torch.randint() 和 torch.randint_like() 生成在 [ low, height ) 上的均匀分布
   torch.randperm() 生成从 0 到 n-1 的随机排列，n为张量长度
   torch.bernoulli() 以 input 为概率，生成伯努利分布（0-1分布，两点分布）

2. 张量操作及运算
   2.1 拼接与切分
   torch.cat() 将张量按维度dim进行拼接
   torch.stack() 在新创建的维度dim上进行拼接
   torch.chunk() 将张量按维度dim进行平均切分
   torch.split() 将张量按维度dim进行切分
   2.2 索引
   torch.index_select() 在维度dim上按index索引数据
   torch.marked_select() 按mask中的True进行索引
   2.3 变换
   torch.reshape() 变换张量形状【共享内存】
   torch.transpose() 交换张量的两个维度
   torch.t() 2位张量的转置，对于举证而言
   等价于torch.transpose(input,0,1)
   2.4 数学运算
   加减乘除、对数，指数，幂函数，三角函数
   

3. 线性回归
   分析一个变量和另外多个变量之间的关系方法
   如：y = wx + b
   因变量：y 自变量：x 关系：线性 分析：求解w，b

求解步骤：
1）确定模型
2）选择损失函数
3）求解梯度并更新w, b

4. 计算图与动态图
   主要表述运算的有向无环图
   元素：结点和边，分布表示数据和运算
   参考链接: https://blog.csdn.net/dragongiri/article/details/107371919

5. autogradn 和逻辑回归