张量

PyTorch中的张量（Tensor）与NumPy中的数组（ndarray）十分相似。但是PyTorch中的张量可以利用GPU来加速计算，所以在一定程度上，可以使用PyTorch来替代NumPy进行科学计算。在进行所有的计算之前，我们必须能够创建相应的张量，PyTorch中提供了以下常用方法来创建张量，这些方法都位于torch包下。

• .tensor(data)，直接从现有数据中创建一个张量，其中数据可以是列表、元组、NumPy数组等，PyTorch会始终复制data中的数据而不是直接引用。
• .rand(*size, out=None)，采用随机数初始化建立一个指定大小的张量，其中size参数可以是若干整型数或者列表、元组，用来定义建立的张量的形状。
• .rand_link(input)，用随机数创建一个形状与input一致的新张量。
• .randn(*size, out=None)，随机使用\( (0, 1) \)区间的值，即标准正态分布，来初始化指定形状的张量。
• .randn_like(input)，随机使用\( (0, 1) \)区间的值初始化一个形状与input相同的张量。
• .randint(low=0, high, size, out=None)，随机使用\( [low, high) \)区间的整型值初始化一个形状为size的张量。
• .randint_like(input, low=0, high)，随机使用\( [low, high) \)区间的整型值初始化一个形状与input相同的张量。
• .randperm(n)，返回一个\( [0, n-1] \)的随机整型序列。
• .zeros(*size)，返回一个形状为size的全零张量。
• .zeros_like(input)，返回一个形状与input相同的全零张量。
• .ones(*size)，返回一个形状为size的全1张量。
• .ones_like(input)，返回一个形状与input相同的全1张量。
• .empty(*size)，返回一个未初始化的形状为size的张量。
• .empty_like(input)，返回一个未初始化的形状与input相同的张量。
• .full(size, value)，返回一个形状为size、使用value填充的张量。
• .full_like(input, value)，返回一个形状与input相同、使用value填充的张量。

其中常见的共用参数有以下这些：

• dtype，张量内个元素的类型。
• device，定义采用CPU张量还是GPU张量。
• layout，定义输出张量期望的布局，一般默认与输入张量相同。
• requires_grad，是否在返回的张量上进行自动微分操作。
• pin_memory，返回的张量是否定位在固定的内存区间中，只在CPU张量中起效。

除此之外，PyTorch还支持使用torch.from_numpy()来从NumPy数组中导入形成一个张量。或者可以使用tensor.numpy()将一个张量转换为NumPy数组。张量还可以像NumPy数组一样使用索引获取其中的元素，并且支持切片操作，例如t[:, 1]。