1、Torch张量
所有深度学习都是基于张量的计算，这些张量是可以在超过2个维度上索引的矩阵的概括。
1.1、生成张量
'''随机生成张量'''
#初始化5*3的张量
x=torch.empty(5,3)
print(x)
'''随机生成一个取值在[0,1]之间的张量'''
x=torch.randn(5,3)
#torch.randn()、torch.normal()、torch.linspace()，分别是标准正态分布，离散正态分布，线性间距向量
'''随机5*3的张量'''
x=torch.rand(5,3)
print(x)
'''torch.randn正态分布5*3张量'''
x=torch.randn(5,3)
print(x)
'''离散正态分布torch.normal,随机数来自于不同的正态分布；支持4种格式'''
mean,std=torch.arange(1., 11.),torch.arange(1, 0, -0.1)
mean, std=0.5,torch.arange(1., 6.)
mean, std=torch.arange(1., 6.),1
x=torch.normal(mean,std)
print(x)
mean,std,size=1,1,(2,3)
y=torch.normal(mean,std,size)
print(y)
'''线性向量 torch.linspace;steps指的是向量的长度'''
x=torch.linspace(start=1, end=10, steps=1)
print(x) #输出tensor([1.])
x=torch.linspace(start=1, end=10, steps=10)
print(x) #输出tensor([ 1., 2., 3., 4., 5., 6., 7., 8., 9., 10.])
'''生成全0的张量并指定类型；torch.zeros'''
x=torch.zeros(5,3,dtype=torch.long)
print(x)
'''从已有矩阵转化为张量'''
x=torch.tensor([1,2])
print(x)
'''复用x的属性，创建全为1的张量'''
x=x.new_ones(2,3,dtype=torch.double)
print(x)
'''随机生成和x相似的张量'''
x=torch.randn_like(x,dtype=torch.float)
print(x)
'''获取张量的size'''
print(x.size())1.2、张量的运算
'''张量运算'''
x=torch.randn(2,3)
y=torch.randn(2,3)
print(x)
print(y)
print(x+y)
print(x-y)
print(x*y)
print(x/y)
'''
合并张量torch.cat([x,y],dim=0);[x,y]将合并的张量x,y;合并的维度dim;
'''
torch.cat([x,y],dim=0)
print('cat dim=0')
z=torch.cat([x,y],dim=1)
print(z)更多的张量操作可https://pytorch.org/docs/stable/torch.html
1.3、重塑张量
使用.view（）方法重塑张量。该方法得到了广泛的应用，因为许多神经网络组件希望它们的输入具有一定的形状。通常，您需要在将数据传递到组件之前进行重塑
'''调整张量形状x.view'''
x=torch.randn(4,4)
y=x.view(16)
z=x.view(-1,8) # -1 表示另一维度从推导得到
#z=x.view(2,-1) # -1 表示另一维度从推导得到
print(x)
print(y)
print(z)
z=torch.randn(1)
print(z.item()) #只有张量只有一个元素的时候才能调用这个函数2、计算图和自动微分
计算图的概念对于高效的深度学习编程至关重要，因为它使您不必自己编写反向传播梯度。计算图只是对如何组合数据以提供输出的规范。由于该图完全指定了哪些参数涉及哪些操作，因此它包含足够的信息来计算导数。这听起来可能含糊不清，所以让我们使用基本标志requires_grad看看发生了什么。
首先，从程序员的角度思考。我们在上面创建的torch.Tensor对象中存储了什么？显然是数据和形状，也许还有其他一些东西。但是，当我们将两个张量加在一起时，我们得到了一个输出张量。这些输出张量只知道其数据和形状。不知道这是其他两个张量的总和（它可以从文件中读取，也可以是其他操作的结果，等等)。
2.1、requires_grad
torch.Tensor是这个包的核心类，如果你设置了它的参数 ‘.requires_grad=true’ 的话，它将会开始去追踪所有的在这个张量上面的运算。当你完成你得计算的时候，你可以调用’backwward()来计算所有的微分。这个向量的梯度将会自动被保存在’grad’这个属性里面。如果为requires_grad=True，则Tensor对象将跟踪其创建方式。
如果想要阻止张量跟踪历史数据，你可以调用’detach()'来将它从计算历史中分离出来，当然未来所有计算的数据也将不会被保存。或者你可以使用’with torch.no_grad()‘来调用代码块，不光会阻止梯度计算，还会避免使用储存空间，这个在计算模型的时候将会有很大的用处，因为模型梯度计算的这个属性默认是开启的，而我们可能并不需要。
第二个非常重要的类是Function，Tensor和Function,他们两个是相互联系的并且可以搭建一个非循环的运算图。每一个张量都有一个’grad_fn’的属性，它可以调用Function来创建Tensor，当然，如果用户自己创建了Tensor的话，那这个属性自动设置为None。
如果你想要计算引出量的话，你可以调用’.backward()'在Tensor上面，如果Tensor是一个纯数的话，那么你将不必要指明任何参数；如果它不是纯数的话，你需要指明一个和张量形状匹配的梯度的参数。下面来看一些例程。
2.2、实例
'''计算图和自微分'''
x = torch.randn(2, 2)
y = torch.randn(2, 2)
#默认requires_grad=False
print(x.requires_grad, y.requires_grad) #输出False,False
z = x + y
#requires_grad=False时不能通过z回溯
print(z.grad_fn) #不能通过z回溯，输出None
# 可通过“.requires_grad_( )” 改变已有变量的requires_grad值
x = x.requires_grad_()
y = y.requires_grad_()
# z包含了x+y的梯度信息
z = x + y
print(z.grad_fn) #输出<AddBackward0 object at 0x7f606bc780b8>
# 输入的requires_grad=True，输出的同样也为True
print(z.requires_grad) #输出True
# z包含了x,y的计算信息，z.detach()回溯历史得到新的new_z不包含z的计算信息
new_z = z.detach()
print(new_z.grad_fn) #new_z仅仅记录了z的历史，不包含任何信息；输出None参考网址：
https://pytorch.org/tutorials/beginner/deep_learning_nlp_tutorial.html（NLP相关的pytorch）
https://blog.csdn.net/weixin_41070748/article/details/89890330 (一小时入门pytorch)