一.定义张量tensor 张量
一种数据类型，可以是一到多维矩阵，在机器学习中作为主要输入输出数据类型使用
1.自定义数值的张量torch.tensor([[2.1,12.2,2.121],[2.1,12.2,2.121]],dtype=float)
2.张量ndim，shape ，size属性，ndim表示张量的维度，shape=size表示张量的形状
3.定义全1张量test2 = torch.ones(8,8)
4.定义全零张量test3 = torch.zeros(2,9)
5.定义随机张量test4 = torch.rand(1,20)
6.定义随机整型张量test5 = torch.randint(0,10,(2,3))
7.定义正态分布张量test6 = torch.randn(1,9)
二.张量的基本运算
1.改变张量（矩阵）的维度，修改前后矩阵元素总数不变test6 = test6.view(3,3)
2.获取tensor第n个元素
test6[1][1]：获取二维矩阵第1行第一列元素
test6[1] 若是一维矩阵则使用获取第一个元素,
test[1:10]获取从索引1到10的所有元素
test[:10]获取10以前的所有数据
test[10:]获取索引10以后的所有数据 tensor_b[[1,2],[1,1]] 根据索引获取数据 3.test6[1].item()获取指定索引元素的值
4.pytorch张量和numpy数组之前的转化
numarr = numpy.array(test6)
tensor转化为numpy 数组 tensor = torch.tensor(nparr) numpy数组转化为tensor张量
5.基本运算
加法运算： tensor_c = tensor_a+tensor_b ，将矩阵对应元素分别相加， 加法运算的另外两种不常用写法 res = torch.zeros(3,3,dtype=int) torch.add(tensor_a,tensor_b,out=res) 计算结果存储在res变量中 tensor_c = torch.add(tensor_a,tensor_b)
减法运算： tensor_c = tensor_a+tensor_b ，将矩阵对应元素分别相减
除法运算：tensor_c = tensor_a/tensor_b,将矩阵对应元素分别相除
取余运算：tensor_c = tensor_a%tensor_b,对应元素相除取余数
乘法运算：tensor_c = tensor_a*tensor_b，非矩阵乘法，对应元素相乘
矩阵相乘：使用matmul函数tensor_c = torch.matmul(tensor_a,tensor_b)
对矩阵求和：tensor = torch.sum(tensor_c) 所有元素相加
求最大值最小值等：tensor = torch.max/min(tensor_c)
求最大值最小值所在的索引 index= torch.argmax(tensor_c) arg+max/min
求均值：tensor = torch.mean(tensor_b) tensor_b必须为float类型 获得矩阵中位数：tensor = torch.median(tensor_b) 开方：tensor = torch.sqrt(tensor_b)
幂运算：tensor = torch**3
三.自动求导
x = torch.tensor([6,3],dtype=float,requires_grad=True) #用于说明当前量是否需要在计算中保留对应的梯度信息
y=x**3+1
y.backward(torch.ones_like(x)) #若输出是标量则y.backward(）
x.grad 注：y=x^3+1 求导：根据求导公式得出yd= x^3`+1` =>yd = 3x^2
文章来源：
https://www.ixiera.com/web/kehu/zsk/427.html