Tensor是一种特殊的数据结构，非常类似于数组和矩阵。在PyTorch中，我们使用tensor编码模型的输入和输出，以及模型的参数。
Tensor类似于Numpy的数组，除了tensor可以在GPUs或其它特殊的硬件上运行以加速运算。如果熟悉ndarray，那么你也会熟悉Tensor API。如果不是，跟随此快速API上手。
import torch
import numpy as np
Tensor 初始化
Tensor可以通过多种途径初始化。看看下面的例子：
直接从数据中初始化
Tensor可以直接从数据中初始化。数据类型是自动推断的。
data = [[1, 2], [3, 4]]
x_data = troch.tensor(data)
从数组中初始化
Tensor可以由NumPy数组创建（反之亦然 - 参见Bridge with NumPy）。
np_array = np.array(data)
x_np = torch.from_numpy(np_array)
从另一个tensor初始化：
除非明确覆盖，新的tensor保留参数tensor的属性（形状，数据类型）。
x_ones = torch.ones_like(x_data) # retatins the properties of x_data
print(f"Ones Tensor: \n {x_ones} \n")
x_rand = torch.rand_like(x_data, dtype=torch.float) # overrides the datatype of x_data
print(f"Random Tensor: \n {x_rand} \n")
输出：
Ones Tensor:
tensor([[1, 1],
[1, 1]])
Random Tensor:
tensor([[0.3208, 0.9371],
[0.8172, 0.7103]])
使用随机值或常量值：
shape 是tensor维度的元祖。在以下函数中，它决定了输出tensor的维度。
shape = (2, 3,)
rand_tensor = torch.rand(shape)
ones_tensor = torch.ones(shape)
zeros_tensor = torch.zeros(shape)
print(f"Random Tensor: \n {rand_tensor} \n")
print(f"Ones Tensor: \n {ones_tensor} \n")
print(f"Zeros Tensor: \n {zeros_tensor} \n")
输出：
Random Tensor:
tensor([[0.0546, 0.8256, 0.1878],
[0.6135, 0.0886, 0.0350]])
Ones Tensor:
tensor([[1., 1., 1.],
[1., 1., 1.]])
Zeros Tensor:
tensor([[0., 0., 0.],
[0., 0., 0.]])
Tensor 属性
Tensor属性描述了其形状、数据类型和存储的设备
tensor = torch.rand(3, 4)
print(f"Shape of tensor: {tensor.shape}")
print(f"Datatype of tensor: {tensor.dtype}")
print(f"Device tensor is stored on: {tensor.device}")
输出：
Shape of tensor: torch.Size([3, 4])
Datatype of tensor: torch.float32
Device tensor is stored on: cpu
Tensor 操作
超过100种tensor操作，包括转置、索引、切片、数学运算、线性代数、随机采样，更多全面的描述见这里
以上每一种都可以在GPU上运行（通常比cpu速度更快）。如果你使用Colab，在Edit->Notebook Setting中配置GPU
# We move our tensor to the GPU if avaibale
if torch.cuda.is_available():
tensor = tensor.to('cuda')
print(f"Device tensor is stored on: {tensor.device}")
输出：
Device tensor is stored on: cuda:0
尝试列表中某些操作。如果你熟悉NumPy API，你会发现Tensor API使用起来轻而易举。
标准的类似于numpy的索引和切片：
tensor = torch.ones(4, 4)
tensor[:, 1] = 0
print(tensor)
输出：
tensor([[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.]])
拼接张量，你可以使用torch.cat沿着给定维度拼接一系列张量，另见torch.stack,另一个tensor的拼接操作，与torch.cat略有不同。
t1 = torch.cat([tensor, tensor, tensor], dim=1)
print(t1)
输出：
tensor([[1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.],
[1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.],
[1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.],
[1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.]])
dim=0,沿着第一维度拼接（增加第一维度数值），dim=1,沿着第二维度拼接（增加第二维度数值）
tensor乘法
# 计算元素乘积
print(f"tensor.mul(tensor) \n {tensor.mul(tensor)} \n")
# 替代语法
print(f"tensor * tensor \n {tensor * tensor}")
输出：
tensor.mul(tensor)
tensor([[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.]])
tensor * tensor
tensor([[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.]])
计算两个tensor的矩阵乘法
print(f"tensor.matmul(tensor.T) \n {tensor.matmul(tensor.T)} \n")
# 替代语法：
print(f"tensor @ tensor.T \n {tensor @ tensor.T}")
输出：
tensor.matmul(tensor.T)
tensor([[3., 3., 3., 3.],
[3., 3., 3., 3.],
[3., 3., 3., 3.],
[3., 3., 3., 3.]])
tensor @ tensor.T
tensor([[3., 3., 3., 3.],
[3., 3., 3., 3.],
[3., 3., 3., 3.],
[3., 3., 3., 3.]])
In-place operations:张量操作名带上“_”即是in-place。例如：x.copy_(y), x.t_()，将会改变x。
print(tensor, "\n")
tensor.add_(5)
print(tensor)
输出：
tensor([[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.]])
tensor([[6., 5., 6., 6.],
[6., 5., 6., 6.],
[6., 5., 6., 6.],
[6., 5., 6., 6.]])
注意：In-place操作可以节省一些内存，但当计算导数时可能会出现问题，因为它会立即丢失历史记录。因此，不鼓励使用它们。
与NumPy的关联
CPU上的Tensor和NumPy数组可以共享它们的底层内存位置，改变其中一个，另一个也会随之改变
Tensor转换为NumPy数组
t = torch.ones(5)
print(f"t: {t}")
n = t.numpy()
print(f"n: {n}")
输出：
t: tensor([1., 1., 1., 1., 1.])
n: [1. 1. 1. 1. 1.]
在tensor上的改变将会反映在NumPy数组上
t.add_(1)
print(f"t: {t}")
print(f"n: {n}")
输出：
t: tensor([2., 2., 2., 2., 2.])
n: [2. 2. 2. 2. 2.]
Numpy数组转换为tensor
n = np.ones(5)
t = torch.from_numpy(n)
在NumPy上的改变将会反映在tensor上
np.add(n, 1, out=n)
print(f"t: {t}")
print(f"n: {n}")
输出：
t: tensor([2., 2., 2., 2., 2.], dtype=torch.float64)
n: [2. 2. 2. 2. 2.]