上一个小节和大家简单地探讨了我们在日常开发的时候，常见的创建Tensor的几种方式，大家应该还是有些印象的，只需要对着官方文档简单地把代码敲一遍，基本上还是有所收获的，这篇文章也比较简单但又是非常重要的，主要是对Tensor进行一系列操作，例如常见的数学操作，修改Tensor的形状。
首先先简单地介绍一下常见的运算操作，例如例如加法，减法，元素相乘。
其次需要注意的就是矩阵相乘，这块也是在深度学习中非常常见的操作，大家务必需要掌握好。（Attention is all you need），矩阵的乘法是在后续的深度学习中确实是非常常见的操作之一，PyTorch中实现矩阵乘法的API是torch.matmul()方法，矩阵乘法是遵循如下逻辑的：
靠近符号的@的两边内在的矩阵维度必须是相同的，如下图所示：
矩阵相乘的结果的维度是由两个相乘矩阵外侧两边的维度所决定，如下图所示：
我们可以简单看下代码，如下图所示我们手写2个tensor，分别是tensor_A和tensor_B,他们的shape都是3X2。
如果两个tensor直接执行矩阵相乘的操作，则会出现如下的错误，torch会提示错误，显示一个矩阵是3x2，另一个矩阵也是3x2是无法相乘的。所以我们要修改矩阵的形状。
我们通过矩阵的转置操作，将tensor_B的形状转置成2x3，这样的话，矩阵A是3x2，矩阵B是2X3，这样的话两个矩阵内在维度都是2，外在维度都是3，这样就符合矩阵相乘的逻辑了，相乘的结果就是3X3，如下图所示：
介绍完tensor的数学运算后，还需要和大家介绍tensor的一些“变形”操作，这些操作在后续的一些神经网络的搭建，也是非常常见的。例如我们刚才为了做好矩阵的相乘，我们把一个3x2的矩阵通过一种比较常见的转置操作，变成了2x3的矩阵，这样才可以与3x2的矩阵进行矩阵相乘的操作。所以矩阵的“变形”操作是为了更好地方便用户进行操作。
上述表格里面的“reshape”，“view”，“stack”，“squeeze”，“unsqueeze”，“permute”操作在后续的操作中都非常常见，所以作为初学者，在这里不需要了解其中的真实原理或者上下文关系，重要的是在jupyter或者colab中敲一敲，留下一些印象。这样在后续的课程里面遇到一些比较经典的网络模型的时候，能够回头再来理解和咀嚼相关的操作，加深自己对这些操作的理解。
接下来我们就快速地进行简单的练习，并且举一些比较易懂的例子，先留下一些简单的印象。首先先看一下reshape的操作，如下图所示，我们先用arange操作，创建一个tensor，tensor里面的数量是8个，左闭右开，这块我们先回顾一下之前的知识，然后我们使用reshape的操作，将这8个数字变成2行4列，我们可以这样想象一下，来了8个小朋友，把他们领到一个教室里，分成2组，每组4个人，同时不改变它们的顺序。大家可以动手操作一下，相信很快能够理解reshape的作用。view的作用大家可以暂时认为与reshape逻辑一样，先暂时这么使用，等后续遇到实际问题时，再进行分析，否则大家拘泥于细节，不利于大家进一步学习。
接下来我们可以练习第二个操作，stack操作，stack有“堆砌”的意思，这边需要注意的就是堆砌的方向，就像和我们砌墙一样，有按着行来砌，也有竖着按着列来砌墙，都是可以完成的，按照什么方向进行堆砌在PyTorch的stack api中使用dim这个参数来进行控制的，dim=0，表示先按照行来堆砌，dim=1表示按照列来堆砌。
第三个操作就是unsqueeze和squeeze这2个成对的操作，unsequeeze就是扩充维度的，squeeze就是减少维度的意思，这块也是比较常见的操作，比如如下所示，可以x_squeezed看出维度增加了一个维度。就好比现在砌墙，已经用8块砖头砌了2行每行4块砖头的格式，现在用“框子”框住就变成了一面墙，现在的2x4就成了一个“整体”，变成了一面墙，维度就变成了1x2x4,解释成有1面墙，这个墙有2行，每一行有4块砖头，接下来我们再使用repeat的api，进行快速复制。参数是（2,1,1），理解起来也比较方便，就是我们一面墙的这个维度，变成2面墙，每面墙里面的元素不发生改变。
这块还是希望大家去主动手敲相关的代码，这样才会方便大家理解，虽然这块是基础，但是后面在一些经典的网络搭建的时候，这些API还是非常常见的，如果大家掌握不牢，到时候还是需要重头开始看，否则就根本看不懂相关的逻辑。
好了，到目前为止，PyTorch中一些比较常见的tensor操作，我们都已经简单介绍了，还有一些特定领域的API，我们还没有介绍，到时候遇到一个就介绍一个，下一个小节，我们就开始PyTorch的Hello world之旅了，希望对深度学习感兴趣的同学多多支持，点赞和关注，接下来应该会每周2更新，大家一起加油。