Tensor：Pytorch神经网络界的Numpy（一）

Tensor

Tensor，它可以是0维、一维以及多维的数组，你可以将它看作为神经网络界的Numpy，它与Numpy相似，二者可以共享内存，且之间的转换非常方便。

但它们也不相同，最大的区别就是Numpy会把ndarray放在CPU中进行加速运算，而由Torch产生的Tensor会放在GPU中进行加速运算。

对于Tensor，从接口划分，我们大致可分为2类：

1.torch.function：如torch.sum、torch.add等。

2.tensor.function：如tensor.view、tensor.add等。

而从是否修改自身来划分，会分为如下2类：

1.不修改自身数据，如x.add(y)，x的数据不变，返回一个新的Tensor。

2.修改自身数据，如x.add_(y)，运算结果存在x中，x被修改。

简单的理解就是方法名带不带下划线的问题。

现在，我们来实现2个数组对应位置相加，看看其效果就近如何：

import torch
x = torch.tensor([1, 2])
y = torch.tensor([3, 4])
print(x + y)
print(x.add(y))
print(x)
print(x.add_(y))
print(x)

运行之后，效果如下：

下面，我们来正式讲解Tensor的使用方式。

创建Tensor

与Numpy一样，创建Tensor也有很多的方法，可以自身的函数进行生成，也可以通过列表或者ndarray进行转换，同样也可以指定维度等。具体方法如下表（数组即张量）：

这里需要注意Tensor有大写的方法也有小写的方法，具体效果我们先来看看代码：

import torch
t1 = torch.tensor(1)
t2 = torch.Tensor(1)
print("值{0},类型{1}".format(t1, t1.type()))
print("值{0},类型{1}".format(t2, t2.type()))

运行之后，效果如下：

可以看到，tensor与Tensor生成的值的类型就不同，而且t2（Tensor）返回一个大小为1的张量，而t1（tensor）返回的就是1这个值。

其他示例如下：

import torch
import numpy as np
t1 = torch.zeros(1, 2)
print(t1)
t2 = torch.arange(4)
print(t2)
t3 = torch.linspace(10, 5, 6)
print(t3)
nd = np.array([1, 2, 3, 4])
t4 = torch.from_numpy(nd)
print(t4)

其他例子基本与上面基本差不多，这里不在赘述。

修改Tensor维度

同样的与Numpy一样，Tensor一样有维度的修改函数，具体的方法如下表所示：

示例代码如下所示：

import torch
t1 = torch.Tensor([[1, 2]])
print(t1)
print(t1.size())
print(t1.dim())
print(t1.view(2, 1))
print(t1.view(-1))
print(torch.unsqueeze(t1, 0))
print(t1.numel())

运行之后，效果如下：