tensor的创建

1. list或ndarray–》tensor：torch.tensor(list_or_array)
2. 范围等距创建：torch.arange(start,end,step)
3. 全1创建：torch.ones((1,2,3))
4. 全0创建：torch.zeros((1,2,3))
5. 随机数创建：torch.randn(1,2,3) 注意是0均值1标准差的高斯分布
6. 创建标量：a = torch.randn(size=())

tensor的操作

1. tensor拼接：torch.cat((x,y),dim=0) 第一维度上拼接，行拼接
2. tensor的重构：torch.reshape(3,4,2) 从最后一维进行重塑
3. tensor的结构信息：x.shape

算数运算

x=torch.tensor(list1)
y=torch.tensor(list2)
x+y
x-y
x*y
x/y
x**y

都是x与y中元素级别的一一运算
广播机制–解决x和y的维度不一致的现象
x=torch.tensor([[1,2],[3,4]])
y=torch.tensor([[1,2],[3,4],[5,6],[7,8]])
此时的x与y的运算是不可行的，但是通过广播机制，将x的形状同方向上复制得到(4,2)的形状，再与y进行算数运算

关系运算

x==y x>y x>=y x<y x<=y x!=y

元素级别的一一对比

类型转换

#实现array和tensor转换
x=torch.arange(12)
A=x.numpy()
B=torch.tensor(A)
#实现标量tensor的值转化
x=torch.tensor([1])
x.item()
float(x)
int(x)

索引

x[1,2]
x[:,2]
x[-1]#得到最后一个元素

节省内存

X=X+Y的操作最终是将X的指针指向了X+Y新开创的内存空间，而不是X原始地址
需要保持原始地址不被改变：

X[:]=Y+Z

或

X+=Y