一、Tensor
在 PyTorch 中，张量（Tensor）是一个核心概念，它是一个用于存储和操作数据的多维数组，类似于 NumPy 的 ndarray，但与此同时，它也支持 GPU 加速，这使得在大规模数据上进行科学计算变得更加高效。
在 PyTorch 中，张量的基本特性和功能包括：
-
多维数组：PyTorch 张量可以有多个维度，允许你存储和处理高维数据集，如图像（通常是 3 维：高度、宽度和颜色通道），视频（4 维：时间、高度、宽度和颜色通道）等。
-
数据类型：PyTorch 张量支持不同的数据类型，如 float32、float64、int8、int16、int32、int64 等。
-
设备兼容性：张量可以存储在 CPU 或 GPU 上，这意味着你可以利用 GPU 进行高效的数值计算。
-
自动微分：PyTorch 的一个关键特性是它的自动微分引擎（Autograd），这允许你自动计算张量的梯度，这对于训练神经网络非常重要。
-
与 NumPy 互操作性：PyTorch 张量可以轻松地与 NumPy 数组进行转换，使得在这两个库之间切换变得简单。
-
API 富集性：PyTorch 提供了丰富的 API 来创建和操作张量，包括数学运算、线性代数、统计和随机抽样等功能。
-
动态计算图：PyTorch 使用动态计算图（称为动态计算图），这允许在运行时构建计算图，为模型构建提供更大的灵活性。
1.1Tensor初始化
一些初始化的方法：
torch.empty(size): 创建一个未初始化的张量。这意味着张量中的数据可能是任何值，包括非常大或非常小的数字。
torch.zeros(size): 创建一个指定大小的张量，并用 0 填充。
torch.ones(size): 创建一个指定大小的张量，并用 1 填充。
torch.rand(size): 创建一个指定大小的张量，并用区间 [0, 1) 内的均匀分布的随机数填充。
torch.randn(size): 创建一个指定大小的张量，并用标准正态分布（均值为0，方差为1）的随机数填充。
torch.arange(start, end, step): 创建一个一维张量，包含从 start 到 end 的序列，间隔为 step。
torch.linspace(start, end, steps): 创建一个一维张量，包含从 start 到 end 的等间隔的 steps 个点。
torch.eye(n): 创建一个 n x n 的单位矩阵。
torch.full(size, fill_value): 创建一个指定大小的张量，并用 fill_value 填充。
torch.tensor(data): 从 data （例如列表、数组）创建张量。
torch.clone(): 克隆一个张量，新的张量与原始张量有相同的大小和数据，但存储在不同的内存地址。
torch.from_numpy(ndarray): 从 NumPy 数组创建张量。
几个示例：
import torch
# 创建一个 3x3 的张量，其中所有元素都是 0。
# 这在初始化权重或清除数据时非常有用。
zeros_tensor = torch.zeros(3, 3)
print("Zeros Tensor:\n", zeros_tensor)
# 创建一个 2x2 的张量，其中所有元素都是 1。
# 这在创建初始权重或需要所有元素都是1的情况下非常有用。
ones_tensor = torch.ones(2, 2)
print("Ones Tensor:\n", ones_tensor)
# 创建一个 4x4 的张量，其中所有元素都是 0 到 1 之间的随机数。
# 这在需要随机初始化数据时非常有用。
rand_tensor = torch.rand(4, 4)
print("Random Tensor:\n", rand_tensor)
结果：
1.2 tensor的属性
dtype: 表示Tensor中元素的数据类型，例如torch.float32, torch.int64等。
shape: Tensor的形状，即各个维度的大小。例如，一个3x4的矩阵将有一个形状为(3, 4)的Tensor。
device: Tensor所在的设备，如CPU或GPU。例如device='cuda:0'表示Tensor存储在第一个GPU上。
layout: 内存中Tensor的布局方式，如torch.sparse_coo_tensor
示例：
import torch
# 设置设备为CPU，后续声明为CUDA，但最终使用的是CUDA
dev = torch.device("cpu")
dev = torch.device("cuda")
# 创建一个包含两个元素[2, 2]的一维张量，数据类型为float32，存储在CUDA设备上
a = torch.tensor([2, 2], dtype=torch.float32, device=dev)
print(a)
# 创建一个二维张量，表示稀疏张量的坐标索引
i = torch.tensor([[0, 1, 2], [0, 1, 2]])
# 创建一个一维张量，表示稀疏张量在这些坐标位置的值
v = torch.tensor([1, 2, 3])
# 使用坐标索引和值创建一个4x4的稀疏张量，然后转换为密集张量
# 数据类型为float32，存储在CUDA设备上
a = torch.sparse_coo_tensor(i, v, (4, 4), dtype=torch.float32, device=dev).to_dense()
print(a)
结果：
- 密集张量：在密集张量中，每个元素（包括零值）都会被存储。例如，一个 3x3 的密集张量将存储所有 9 个元素。
- 稀疏张量：稀疏张量仅存储非零元素及其索引，这使得它们在处理大量包含零值的数据时更加高效。例如，如果一个 3x3 的矩阵大部分元素为零，稀疏张量只会存储非零元素及其位置信息。
1.3tensor的算术运算
1.3.1加法
c = a + b
c = torch.add(a,b)
a.add(b)
a.add_(b)前三个一样输出的都是a和b的和，不改变a，b的值
a.add_(b) 会把他们的和赋值给a
1.3.2乘法
