张量(Tensors)

在PyTorch中，张量是一个多维数组，类似于NumPy中的数组。张量可以用来存储和处理数据，以及进行数学运算。在PyTorch中，张量是神经网络的基本数据结构，所有的输入数据、模型参数和输出数据都会被表示为张量。

创建张量 在PyTorch中，可以使用torch.Tensor类来创建张量。下面是一些常见的创建张量的方法：

1. 使用torch.Tensor()函数创建一个未初始化的张量：

import torch
x = torch.Tensor(3, 4)  # 创建一个3x4的未初始化的张量

2. 使用torch.zeros()函数创建一个全零张量：

x = torch.zeros(2, 3)  # 创建一个2x3的全零张量

3. 使用torch.ones()函数创建一个全一张量：

x = torch.ones(3, 4)  # 创建一个3x4的全一张量

4. 使用torch.rand()函数创建一个随机张量：

x = torch.rand(2, 2)  # 创建一个2x2的随机张量

张量的属性 张量有一些常用的属性，可以用来获取张量的形状、数据类型等信息：

1. shape属性：获取张量的形状

print(x.shape)  # 输出张量的形状

2. dtype属性：获取张量的数据类型

print(x.dtype)  # 输出张量的数据类型

3. device属性：获取张量所在的设备（CPU或GPU）

print(x.device)  # 输出张量所在的设备

张量的操作 PyTorch提供了丰富的张量操作函数，可以对张量进行各种数学运算、逻辑运算等操作。下面是一些常见的张量操作：

1. 加法运算：

x = torch.rand(2, 2)
y = torch.rand(2, 2)
z = x + y  # 张量相加

2. 矩阵乘法运算：

x = torch.rand(2, 3)
y = torch.rand(3, 2)
z = torch.mm(x, y)  # 矩阵乘法

3. 平均值计算：

x = torch.rand(3, 4)
mean = torch.mean(x)  # 计算张量的平均值

4. 张量形状变换：

x = torch.rand(2, 3)
y = x.view(3, 2)  # 改变张量的形状

总结 本教程介绍了PyTorch中张量的基本概念，包括创建张量、张量的属性和张量的操作。张量是PyTorch中的基本数据结构，用于存储和处理数据以及进行数学运算。通过学习张量的基本操作，可以更好地理解和使用PyTorch来构建神经网络模型。