位置不同的数据类型（CPU和GPU）

• 其他数据类型转torch

这个可以生成一个张量，传递的参数是list

这个可以生成一个张量，传递的参数可以是list或大小（这个一般按照pytorch默认的数据类型来生成）

这个可以生成一个浮点类型的张量，其中传递的参数可以是列表，也可以是维度值

这个可以生成一个整型类型的张量，其中传递的参数可以是列表，也可以是维度值

这个函数可以生成数据为浮点类型且维度指定的随机张量，与numpy中的numpy.rand()类似。生成的数范围在$0$[0,1]之间，传递的参数是张量大小

这个函数可以生成数据为浮点类型且维度指定的随机张量，与numpy中的numpy.rand()类似。生成的数取值满足均值为0、方差为1的正态分布

这个函数可以生成数据为整型类型且维度指定的随机张量，与numpy中的numpy.rand()类似。生成的数范围在$0$[0,1]之间，传递的参数是最小值，最大值，张量大小

这个函数可以生成数据为浮点类型且定义范围的张量，传递3个参数，分别为范围的起始值，范围的结束值，每个数据之间的间隔

这个函数可以生成有一定规律的张量，传递3个参数，起始值，结束值，间隔

这个函数可以把所有的元素赋值成相同的值，传递两个参数，list（张量大小）和要赋的值

这个函数可以根据张量的均值和方差生成张量

这个可以生成数据类型为浮点且维度指定的张量，且所有元素都是0，即可以生成一个零张量。

这个可以生成数据类型为浮点且维度指定的张量，且所有元素都是1。

这个可以生成一个数据类型为浮点且主对角线为1的张量，即生成一个单位张量

这个可以生成按一定比例划分连续的一个张量，传递的参数有起始值，结束值，分成几份。（其实就是按照线性划分）

这个是按照对数空间上进行划分，与上面一个相同

这个是可以把张量进行打乱，进行一个shuffle的操作。传递的参数是维度，要打乱第几维度

这个传入一个tensor，那么他就会生成一个对应传入的tensor相同大小的一个随机矩阵，这里的可以是任意的一个随机创建tensor的API

平时我们传入神经网络的图片一般是四维的

$$b:batch，一批多少张图片

a.view和a.reshape的作用是一样，都是将张量的大小进行改变

注：一定要保证总的大小是不变的，也就是numel()不变，否则会造成数据的丢失

unsqeeze就是一个维度增加的操作

a.unsqueeze(0)表示在在第0个维度之前添加一个维度

传递的参数就是指在第n个维度之前添加一个维度，这个参数也可以是负数，表示从倒数第n个之后添加一个维度。

squeeze是一个维度删除的操作

squeeze不传给任何参数的时候是会把能删除的都删除了，比如有1的

理解传入神经网络的张量可以从物理意义上去理解

Expand改变了我们对于张量的理解，但没有增加数据。这个API只会在有需要的时候才会拷贝数据。且只能把某一个为1的维度进行扩展，其他不为1的维度无法扩展。

给原来的张量添加了数据，改变了理解的方式。因为这个是会拷贝数据，主动地拷贝数据。给的参数是指对应的某个维度需要拷贝的次数。

对目标张量进行转置，但只能对2维张量进行转置

对目标张量的维度进行交换

张量Tensors表示由一个数值组成的数组，这个数组可能有多个维度。

张量中的每个值都称为张量的元素

 把三维张量画成一个立方体：

通过张量的shape属性来访问张量的形状 （沿每个轴的长度）

张量中元素的总数，即形状的所有元素乘积，可以检查它的大小（size）。 因为这里在处理的是一个向量，所以它的shape与它的size相同。

改变一个张量的形状而不改变元素数量和元素值，可以调用reshape函数

全0、全1、其他常量或者从特定分布中随机采样的数字来初始化矩阵

torch.tensor（[值]） 自己制定，类C语言二维数组赋值

所有的运算都是按元素进行

四则运算、乘幂运算都可参照如下：

实质为将两个矩阵广播为一个更大的3×2

矩阵a将复制列，矩阵b将复制行，然后再按元素相加。

求幂运算---exp是高等数学里以自然常数e为底的指数函数。exp(x)表示的是e的x次方

按行连接：x行，x列，y行，y列

按列连接：x行+y行，x列+y列

对张量中的所有元素进行求和会产生一个只有一个元素的张量

以下文字原本是我《黎曼几何读书笔记》里的一段内容，当时在理解张量时，阅读了网上不少大侠的文章，受益良多。现将其抽出来独立成篇，希望能帮助更多的人。

张量，初次接触时会是一个比较令人费解的概念，其定义既有数学的（线性函数）、物理的（不随坐标而改变的向量集合）、计算机软件的（多维数组）；还有古典的（坐标不变性）、现代的（多重线性映射）；整体的（公理化定义）、分量的（基矢表示的不变量）。有点混乱哦！

总之还是数学的、现代的、整体的、公理化定义，比较能体现出张量的本质。关于这一点，知乎上郭诚的解释比较好。

张量的现代数学公理化整体性定义为：

基于个人的理解，将张量描述如下：

（1）张量是广义数量：张量是广义的数量，0阶是标量、1阶是向量、2阶是矩阵、3阶是立体矩阵、高阶是超矩阵；

（2）张量是几何对象：0阶是点、1阶是箭头、2阶是有向面积、3阶是有向体积，高阶是超有向体积。当然几何对象具有坐标不变性，它不随坐标系变化而变化；

（3）张量是线性映射：映射即是某种函数法则，也就是某种算子，张量是一个同时定义在多个线性空间上的算子，它满足多重线性运算，当输入m+n个向量，则输出一个值；

（4）张量与分量：张量的分量，即是张量在基矢上的投影。张量本身不依赖于基矢，但其分量值却依赖于基矢的选择，分量遵从协变、逆变规律；反过来看，张量是由分量张成的整体，这也许是张量一词的最初来源。

（5）张量与矩阵：张量与矩阵是两个截然不同的概念，只是某种特殊类型的张量分量可以借用矩阵来表示。例如，(0，2）型或(2，0）型二阶张量在正交基下各分量可以写成矩阵形式，但张量必须满足某种线性变换法则，而矩阵却可以仅只代表一堆数。

张量，最简单的理解是多维数组，但仅仅理解为数组远没有触及到张量的本质，张量的核心性质是多重线性。所谓多重线性，也就是张量中的每一个向量对于所有的向量都是线性的，进而说张量的每个分量对所有的分量也都是线性的。因此才会有，张量的维数等于 N^{m} （N向量基的维数、m向量的重数），例如在三维空间里N=3，两重向量m=2时，张量的维数等于 3^{2}=9 （也就是张量的分量数）。关于多重线性映射，百度文库里有一位zhangjian8204的网友上传的文章“张量分析”，讲得比较好。

张量演义：最后用非数学的语言通俗化来说，张量就是一堆向量，经过另一堆向量的线性变换，得到一堆结果向量，结果向量再通过向量的合并，最后得到一只张向量，张向量的模即是张量的值。

1，White Pillow，“怎么通俗地理解张量”，知乎网；

2，马同学，“张量专题”专题，知乎网；

3，郭诚，“什么是张量”，知乎网；

5，陈玉丽，“张量分析初步”，百度文库；

6，anhuiwk，“张量微分”，百度文库；

7，田宗若，《张量分析》 ，西北大学出版社