pytorch 官方文档
Tensor基础，数据类型，及其多种创建方式 1. 创建 Creating Tensor： 标量、向量、矩阵、tensor2. 三种方法可以创建张量，一是通过列表(list)，二是通过元组(tuple)，三是通过Numpy的数组(array)，基本创建代码如下：3. 张量类型, pytorch下的数组类型4. 张量特殊类型及其创建方法 1. 创建 Creating Tensor： 标量、向量、矩阵、tensor #标量 scalarscalar = torch.tensor(7)scalar.ndim # 查看维度scalar.item() # 转换成 python中的整数 #向量 vectorvector = torch.tensor([7, 7])vector.shape #查看形状#矩阵 matrixMATRIX = torch.tensor([[7, 8], [9, 10]])#随机tensor，下面是一些生成随机tensor的方法：[更多详细方法见博客](https://blog.csdn.net/Darlingqiang/article/details/134946446?spm=1001.2014.3001.5501) 2. 三种方法可以创建张量，一是通过列表(list)，二是通过元组(tuple)，三是通过Numpy的数组(array)，基本创建代码如下： import torch # 导入pytorchimport numpy as np # 导入numpyprint(torch.__version__) # 查看torch版本t1 = torch.tensor([1,1]) # 通过列表创建t1 = torch.tensor((1,1)) # 通过元组创建t1 = torch.tensor(np.array([1,1]) # 通过数组创建t1 # tensor([1, 1])张量相关属性查看的基本操作，后期遇到的张量结构都比较复杂，难以用肉眼直接看出，因此相关方法用的也比较频繁
方法描述栗子🌰ndim查看张量的维度，也可使用dim()t.ndim /t.dim()dtype查看张量的数据结构t.dtypeshape查看张量的形状t.shapesize查看张量的形状，和shape方法相同t.size()numel查看张量内元素的元素t.numel()注：size()和numel()是需要加括号, 实例
t2 = torch.tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9]])t2.ndim # 2t2.dtype # torch.int64t2.shape # torch.Size([3, 3])t2.size() # torch.Size([3, 3])t2.numel() # 返回9 3. 张量类型, pytorch下的数组类型python作为动态语言，很少去注意到变量的类型，因为我们编写代码时并不需要声明变量类型，但是细心的小伙伴会发现，调用dtype后返回的是torch.int64, 这说明pytorch对于数组的类型是很严谨，因此我们还要了解在pytorch下的数组类型
注： 只需要记住有整数，浮点数，布尔型和复数即可
类型dtype32bit浮点数torch.float32 或 torch.float64bit浮点数torch.float64 或 torch.double16bit浮点数torch.float168bit无符号整数torch.uint88bit有符号整数torch.int816bit有符号整数torch.int16 或 torch.short32bit有符号整数torch.int32 或 torch.int64bit有符号整数torch.int64 或 torch.long布尔型torch.bool复数型torch.complex64在pytorch中，默认的张量整数类型是int64，使用浮点数类型是float32【不同版本pytorch可能不同】；
双精度double能存储的有效位数比单精度float更多，但相应的需要的存储空间越多
int16，int32，int64的区别主要在于表示值的范围不同，数字越大所能表示的范围越大
在pytorch中，可以使用在创建时指定数据类型，也可以后期进行修改，实例如下
t3 = torch.tensor([True, 1.0]) # tensor([1., 1.])隐式转换t3 = torch.tensor([1,1,1,1],dtype=float)t3.dtype # torch.float64t3.int() # tensor([1, 1, 1, 1], dtype=torch.int32)t3.byte() # tensor([1., 1., 1., 1.], dtype=torch.float64)t3.short() # tensor([1, 1, 1, 1], dtype=torch.int16)t3.bool() # tensor([True, True, True, True]) 4. 张量特殊类型及其创建方法 方法描述torch.zeros()创建全为0的张量torch.ones()创建全为1的张量torch.eye()创建对角为1的单位矩阵torch.diag(t)创建对角矩阵，需要传入1维张量torch.rand()创建服从0-1均匀分布的张量torch.randn()创建服从标准正态分布的张量torch.normal()创建服从指定正态分布的张量torch.randn创建服从标准正态分布的张量torch.randint()创建由指定范围随机抽样整数组成的张量torch.arange()创建给定范围内的连续整数组成的张量torch.linspace()创建给定范围内等距抽取的数组成的张量torch.empty()创建未初始化的指定形状的张量torch.full()创建指定形状，指定填充数值的张量需要注意有哪些方法是传入代表结构的列表，有哪些是传入张量，有哪些是传入数字，实例如下
torch.zeros([3,3]) # 创建3行3列，元素全为0的2维张量torch.ones([3,3]) # 创建3行3列，元素全为1的2维张量torch.eye(4) # 创建4行4列的单位矩阵t = torch.tensor([1,2,3,4]) # 创建需要传入的1维张量torch.diag(t) # 创建对角元素为1，2，3，4的对角矩阵 torch.rand([3,4]) # 创建元素为0-1分布的3行4列张量torch.normal(3, 4, [2, 2]) # 创建服从均值为3，标准差为4的正态分布元素组成的张量torch.randn([3,4]) # 创建元素为标准正态分布的3行4列张量 torch.randint(0,20,[3,4]) # 创建由0-20间的随机整数组成的3行4列的张量torch.arange(1,20) # 创建0-20内连续整数组成的张量 torch.linspace(1, 10, 5) # 创建给定范围内等距取样的数组成的张量 1-10范围内，创建5个元素torch.empty([3,4]) # 创建3行4列的未初始化张量torch.full([3, 4], 2) # 创建3行4列的全为2的张量
