1.
x = torch.Tensor(5):zero()
2.
conf_mask = torch.ones(nB, nA, dim, dim)
conf_mask[...]=0
Tensor构造的三种方式
下面2种比较常用。
-- 最多到4维度
x = torch.Tensor(2,5):fill(3.14)
-- 大于4维度的
x = torch.Tensor(torch.LongStorage({4,4,3,2}))注意：第二个函数调用方式是torch.Tensor(sizes, [strides]) 。sizes和[strides]都是LongStorage类型的。并且strides是每一维度中，一个元素到下一个元素之间的步长。并且可以随意设置！
x = torch.Tensor(torch.LongStorage({4}), torch.LongStorage({0})):zero() -- zeroes the tensor
x[1] = 1 -- all elements point to the same address!
> x
1
1
1
1可以看到上面令stride为0了，也就是说x虽然有4个单元，但都实际上指向物理地址的同一个单元！让x[1]=1，整个x都变成1了。厉害了。
另外一个就是通过table进行构造。
> torch.Tensor({{1,2,3,4}, {5,6,7,8}})
1 2 3 4
5 6 7 8
[torch.DoubleTensor of dimension 2x4]附：torch为了方便大家的使用，内部内部的绝大部分函数都可以用2种方法来进行调用—– src:function()或是torch.function(src, …)。也就是说，第二种风格的调用是将自身作为第一个参数进行调用。然而由于内部还是不太完善，有些函数只能用第一种方法或是第二种方法。比如
--下面两种是一样的
x = torch.Tensor(2,3):fill(2)
y = torch.fill(torch.Tensor(2,3),2)
--下面只能由第二种方法
local x = torch.transpose(vecInput, 2,3) --这个会出错
local y = vecInput:transpose(2,3) --这个正确这些只能由自己去测试了，当然绝大部分都是完美支持两种的。所以也没啥好担心的。
截取Tensor数据
x[index]，等价与select(1,index). 如果x是二维数据，那么x[2]代表第2行！就是相当于 x:select(1,2)。 选取第一维的第二个。
narrow, select, sub略！
这三个函数可以用x[{ {dim1s, dim1e}, {dim2s, dim2e},… }]来替代！
x = torch.Tensor(2,5,6):zero()
-- 第一种,如果是只有一个大括号，里面是单纯数字的话，
-- 就说明是"全部"
-- 选择"第一块，第三行，没指定列，所以是全部"
x[{1,3}] = 1
th> x
(1,.,.) =
0 0 0 0 0 0
0 0 0 0 0 0
1 1 1 1 1 1
0 0 0 0 0 0
0 0 0 0 0 0
(2,.,.) =
0 0 0 0 0 0
0 0 0 0 0 0
0 0 0 0 0 0
0 0 0 0 0 0
0 0 0 0 0 0
[torch.DoubleTensor of size 2x5x6]
-- 我么也可以通过这个快速取某个坐标的值
-- 比如 x[{1,3,2}]，而不用写成x[{ {1},{3},{2}]x[{ {dim1s, dim1e}, {dim2s, dim2e},… }]的用法略。
取Tensor中的某个坐标的值
x = torch.Tensor(2,3,4)
v = x[{1,2,2}] --取坐标值时，用截取Tensor数据的方法，当index的元素个数等于x的nDimension时，才是取某个值！否则是等价于`select`的！！！！！！！！！！！！！！！！！！！！！！！！
v_false = x[{{1},{2},{3}}] --这个是错的！这个返回的是Tensor类型，不是num！
x[v] = 2 -- 这个会让x的一半的值都变成2！！！！Tensor的赋值
以下只说对单个元素的赋值。
x = torch.Tensor(2,3,4)
--以下下两种方法等价!
x[{1,2,3}] = 2
x[{{1},{2},{3}}] = 2 Tensor的搜索
这个就一个函数nonzero(). 返回非0元素的坐标的。
> x = torch.rand(4, 4):mul(3):floor():int()
> x
2 0 2 0
0 0 1 2
0 2 2 1
2 1 2 2
[torch.IntTensor of dimension 4x4]
> torch.nonzero(x)
1 1
1 3
2 3
2 4
3 2
3 3
3 4
4 1
4 2
4 3
4 4
[torch.LongTensor of dimension 11x2]Expanding/Replicating/Squeezing Tensors
expand
这个函数的作用就是在singleton维度进行扩展！吓人的是，这里使用了一个技巧：expand Tensor时并不需要开辟新的空间，而是直接让被扩展的那个维度的stride为0！
x = torch.rand(10,1)
> x
0.3837
0.5966
0.0763
0.1896
0.4958
0.6841
0.4038
0.4068
0.1502
0.2239
[torch.DoubleTensor of dimension 10x1]
>x:stride()
1
1
y = torch.expand(x,10,2)
> y
0.3837 0.3837
0.5966 0.5966
0.0763 0.0763
0.1896 0.1896
0.4958 0.4958
0.6841 0.6841
0.4038 0.4038
0.4068 0.4068
0.1502 0.1502
0.2239 0.2239
[torch.DoubleTensor of dimension 10x2]
>y:stride()
1
0可以看见，被扩展的维度变成0了！！
又比如：
th> x = torch.rand(5,1,4)
[0.0001s]
th> x:stride()
4 -- 1*4
4 -- 4
1
[torch.LongStorage of size 3]
th> x = torch.rand(5,2,4)
[0.0001s]
th> x:stride()
8 -- 2*4
4 -- 4
1
[torch.LongStorage of size 3]这是因为直接调用构造函数，不指定stride的话，都是连续的。
th> x = torch.rand(10,1,5)
[0.0001s]
th> x:stride()
5
5
1
[torch.LongStorage of size 3]
th> y = torch.expand(x,10,2,5)
[0.0001s]
th> y:stride()
5
0
1
[torch.LongStorage of size 3]repeatTensor
这个函数是需要新申请空间的！
x = torch.rand(5)
> x
0.7160
0.6514
0.0704
0.7856
0.7452
[torch.DoubleTensor of dimension 5]
> torch.repeatTensor(x,3,2)
0.7160 0.6514 0.0704 0.7856 0.7452 0.7160 0.6514 0.0704 0.7856 0.7452
0.7160 0.6514 0.0704 0.7856 0.7452 0.7160 0.6514 0.0704 0.7856 0.7452
0.7160 0.6514 0.0704 0.7856 0.7452 0.7160 0.6514 0.0704 0.7856 0.7452
[torch.DoubleTensor of dimension 3x10]Squeeze
这个函数就是将所有singleton的维度压缩去除。
View—重新看待存储Storage
这里主要是5个函数：view,viewAs, transpose(), t(), permute()。
这些都是对于Tensor以另一种角度取看待！因此是直接对原存储空间进行更改的！ These methods are very fast, because they do not involve any memory copy.
x = torch.zeros(4)
> x:view(2,2)
0 0
0 0
[torch.DoubleTensor of dimension 2x2]
> x:view(2,-1)
0 0
0 0
[torch.DoubleTensor of dimension 2x2]
-- 利用view是进行增加一个“1”维的很好的方法
x = x:view(2,1,2)
th> x
(1,.,.) =
0 0
(2,.,.) =
0 0
[torch.DoubleTensor of size 2x1x2]
th> x:stride()
2
2
1
[torch.LongStorage of size 3]