一、数据初始化
1.torch.arange()
用来构建一个行向量，参数=元素个数，从0开始的自然数排列，默认float型。一个新定义的张量（tensor）都会存储在主存中，在CPU中计算。
例子：
x = torch.arange(12)
输出：
tensor([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11])
2.x.shape
获取tensor结构
例子：
x.shape
输出：
torch.Size([12])
3.x.numel()
获取trensor中的元素个数
输出：
12
4.x.reshape()
改变x的形状，但不改变里面的值
例子：
x = x.reshape(3, 4)
输出：
tensor([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
已知tensor原本结构和长宽任一，另一参数设为-1也可。
例如，x.reshape(3, 4), 可以设为 x.reshape(-1, 4) or x.reshape(3, -1).
5.torch.zeros()、torch.ones()
将tensor初始化为0或1
例子：
torch.zeros(2, 3, 4)
torch.ones((2, 3, 4))
输出：
tensor([[[0., 0., 0., 0.],
[0., 0., 0., 0.],
[0., 0., 0., 0.]],
[[0., 0., 0., 0.],
[0., 0., 0., 0.],
[0., 0., 0., 0.]]])
tensor([[[1., 1., 1., 1.],
[1., 1., 1., 1.],
[1., 1., 1., 1.]],
[[1., 1., 1., 1.],
[1., 1., 1., 1.],
[1., 1., 1., 1.]]])
6.torch.randn()
根据正态分布和标准差随机初始化
例子：
torch.randn(3, 4)
输出：
tensor([[ 0.9207, -0.6144, 1.2993, 0.5726],
[-1.5666, -0.0836, 1.8288, 0.8677],
[ 0.5672, -1.2084, -1.5252, -1.9457]])
7.torch.tensor()
可利用list给tensor自定义初始化
例子：
torch.tensor([[2, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]])
输出：
tensor([[2, 1, 4, 3],
[1, 2, 3, 4],
[4, 3, 2, 1]])
二、运算
1.加减乘除幂次方
例子：
x = torch.tensor([1.0, 2, 4, 8])
y = torch.tensor([2, 2, 2, 2])
x + y, x - y, x * y, x / y, x ** y # The ** operator is exponentiation
Copy to clipboard
输出：
(tensor([ 3., 4., 6., 10.]),
tensor([-1., 0., 2., 6.]),
tensor([ 2., 4., 8., 16.]),
tensor([0.5000, 1.0000, 2.0000, 4.0000]),
tensor([ 1., 4., 16., 64.]))
一元指数运算：
torch.exp(x)
输出：
tensor([2.7183e+00, 7.3891e+00, 5.4598e+01, 2.9810e+03])
2.按照给定的行（axis=0）或列(axis=1)，连接tensor
例子：
x = torch.arange(12, dtype=torch.float32).reshape((3,4))
y = torch.tensor([[2.0, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]])
torch.cat((x, y), dim=0), torch.cat((x, y), dim=1)
输出：
(tensor([[ 0., 1., 2., 3.],
[ 4., 5., 6., 7.],
[ 8., 9., 10., 11.],
[ 2., 1., 4., 3.],
[ 1., 2., 3., 4.],
[ 4., 3., 2., 1.]]),
tensor([[ 0., 1., 2., 3., 2., 1., 4., 3.],
[ 4., 5., 6., 7., 1., 2., 3., 4.],
[ 8., 9., 10., 11., 4., 3., 2., 1.]]))
3.逻辑运算
tensor对应位置进行运算，相等为1不等为0
例子：
x == y
输出：
tensor([[False, True, False, True],
[False, False, False, False],
[False, False, False, False]])
4.tensor元素相加
例子：
x.sum()
输出：
tensor(66.)
三、广播
对于相同形状的tensor运算只需对应位置计算，对不同形状的tensor，需扩展行或列使得tensor结构相同再进行计算。
例子：
a = torch.arange(3).reshape((3, 1))
b = torch.arange(2).reshape((1, 2))
a, b
两个tensor行列都不同
(tensor([[0],
[1],
[2]]),
tensor([[0, 1]]))
做加法：
a + b
输出：
tensor([[0, 1],
[1, 2],
[2, 3]])
四、索引和切片
索引从0开始，范围大小包括第一个元素但不包括最后一个。也可以用负索引。
例子：
x[-1], x[1:3]
输出：
(tensor([ 8., 9., 10., 11.]),
tensor([[ 4., 5., 6., 7.],
[ 8., 9., 10., 11.]]))
即-1代表输出最后一个，[1:3]代表输出索引为1-3但不包括3。
还可以根据索引更改元素。
例子：
x[1, 2] = 9
x
输出：
tensor([[ 0., 1., 2., 3.],
[ 4., 5., 9., 7.],
[ 8., 9., 10., 11.]])
改了第2行第3列的元素。
如果要为tensor中多个元素同时更改数值，用切片方式给对应索引换值。
例子：
x[0:2, :] = 12
x
输出：
tensor([[12., 12., 12., 12.],
[12., 12., 12., 12.],
[ 8., 9., 10., 11.]])
给第1行和第2行的每列元素换值。
五、节省内存
在进行运算时，会给计算结果分配新的内存，可以通过Python自带的id函数：如果两个实例的ID一致，那么它们所对应的内存地址相同；反之则不同。
before = id(y)
y = y + x
id(y) == before
输出：
False
如果想指定结果到特定内存，可以使用前面介绍的索引来进行替换操作。
例子：
z = torch.zeros_like(y)
print('id(z):', id(z))
z[:] = x + y
print('id(z):', id(z))
输出：
id(z): 140144689613552
id(z): 140144689613552
实际上，上例中还是为X + Y开了临时内存来存储计算结果，再复制到Z对应的内存。如果想避免这个临时内存开销，可以直接将运算结果放回x。
例子：
before = id(x)
x += y
id(x) == before
输出：
True
六、转换为其他的python对象
例子：
a = x.numpy()
b = torch.tensor(a)
type(a), type(b)
输出：
(numpy.ndarray, torch.Tensor)
将tensor转换为数值，用item（）
例子：
a = torch.tensor([3.5])
a, a.item(), float(a), int(a)
输出：
(tensor([3.5000]), 3.5, 3.5, 3)
如有不对，请帮忙指正！！！