创建张量：
torch.tensor(data): 从数据中创建张量。用列表创建，numpy创建- 维度只看[ ]
# 一维张量 一维张量是指只有一个轴的张量，没有行列之分 data_1d = [1, 2, 3] tensor_1d = torch.tensor(data_1d)
结果
tensor([1, 2, 3])
# 二维张量 data_2d = [[1, 2, 3], [4, 5, 6],[4, 5, 6]] tensor_2d = torch.tensor(data_2d)
结果
tensor([[1, 2, 3],
[4, 5, 6]
[4, 5, 6]])
但是形状是
torch.Size([3, 3])
是3行3列
# 三维张量，就是多个二维
tensor_3d = torch.tensor([[[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]],
[[13, 14, 15, 16], [17, 18, 19, 20], [21, 22, 23, 24]]])
结果
tensor([[[ 1, 2, 3, 4],
[ 5, 6, 7, 8],
[ 9, 10, 11, 12]],
[[13, 14, 15, 16],
[17, 18, 19, 20],
[21, 22, 23, 24]]])
torch.Size([2, 3, 4])
有 2 个元素（大小为 2）、3 行（大小为 3）和 4 列（大小为 4）。
torch.zeros(shape): 创建指定形状的全零张量。torch.ones(shape): 创建指定形状的全一张量。torch.randn(shape): 创建指定形状的随机张量。
创建有梯度的张量
x = torch.tensor([2.0], requires_grad=True)
设置requires_grad=True，表示我们想要对这个张量进行梯度计算
查看维度：
dim()方法用于获取张量的维度（即秩或阶）数量
查看尺寸
tensor.size(): 返回张量的大小。形状的大小,几行几列
# 创建一个4x3的矩阵（2维tensor）
tensor_original = torch.tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]])
print(tensor_original)
print(tensor_original.dim())
print(tensor_original.size())
tensor([[ 1, 2, 3],
[ 4, 5, 6],
[ 7, 8, 9],
[10, 11, 12]])
2
torch.Size([4, 3])
改变形状
tensor.view(shape): 改变张量的形状。
# 创建一个4x3的矩阵（2维tensor）
tensor_original = torch.tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]])
# 结果
tensor([[ 1, 2, 3],
[ 4, 5, 6],
[ 7, 8, 9],
[10, 11, 12]])
# 使用view改变形状为3x4
tensor_reshaped = tensor_original.view(3, 4)
# 结果
tensor([[ 1, 2, 3, 4],
[ 5, 6, 7, 8],
[ 9, 10, 11, 12]])
tensor.item(): 获取张量中的单个元素的数值
转移设备
torch.Tensor.to(dtype=None, device=None, dtype2=None, non_blocking=False, copy=False, memory_format=torch.preserve_format) → Tensor
# 创建一个CPU上的浮点型张量 x = torch.tensor([1.0, 2.0, 3.0]) # 将张量转移到CUDA设备上并转换为整型
将默认使用当前设备上的第一个可用的CUDA设备 y = x.to(dtype=torch.int, device='cuda')
y = x.to(dtype=torch.int, device='cuda：1') 就是第二块cuda
print(y)
