Tensors（张量)

张量（tensor）是矩阵向任意维度的推广。张量的维度（dimension）通常叫作轴（axis），张量轴的个数也叫作阶（rank）。

Tensors张量，与numpy中的ndarray类似，在pytorch中，Tensors可以使用GPU进行计算，默认记录计算轨迹，从而方便求导。

张量的属性

阶：张量的轴的个数

形状：张量沿每个轴的维度大小（元素个数）。在Python中一般用整数元组表示。标量的形状为空元组

数据类型（在Python库中通常叫作dtype）：张量中所包含数据的类型

PyTorch中的张量

创建torch数据

torch_1 = torch.eye(4,4)#创建一个4乘4维的张量

torch_2 = torch.zeros(4,4)#创建一个4乘4的全零张量

torch_3 = torch.arange(16).reshape(2,2,-1)#定义一个范围0~15，然后修改维度第一维度有两个，第二维度为2，第三维度-1：自动填充

张量的形状

print(torch_1.shape)

print(torch_2.size())

常用操作函数

1、torch.cat()

张量的拼接

第一个参数：元组。拼接的张量放进元组

第二个参数。拼接的轴

2、torch.squeeze、torch.unsqueeze

torch.squeeze 压缩维度，把维度为1 的去掉

torch_squeeze = torch.squeeze(torch_12)#shape(1,1,4)去掉为1的维度

print('torch_squeeze.shape',torch_squeeze.shape)

torch.unsqueeze 增加维度

第一个参数：操作的对象

第二个参数：增加维度的位置——>第几个轴

3、torch.view

重构张量，功能同reshape相似，但是 view() 只能操作 tensor，reshape() 可以操作 tensor 和 ndarray。

view() 只能用在 contiguous（连续） 的变量上。如果在 view 之前用了 transpose, permute 等切片处理，需要用 contiguous() 来返回一个 contiguous copy。

pytorch 中的 torch.reshape() 大致相当于 tensor.contiguous().view()