一：老版本的 variable

二：新版 tensor

曾经：求导相关

如今：数据相关 

–dtype: 张量的数据类型，三大类，共9种。torch.FloatTensor, torch.cuda.FloatTensor
–shape: 张量的形状。如：（64，3，224，224）
–decive: 所在设备

三：tensor创建方法 

Tensor创建一:直接创建 （共享内存：out）

1）

torch.tensor(data, dtype=None, device=None, requires_grad=False, pin_memory=False)

2） 从numpy创建tensor : torch.from_numpy(ndarray)
注意：共享内容

import torch
import numpy as np

arr = np.array([[1, 2, 3], [4, 5, 6]])
t = torch.from_numpy(arr)

t[0, 0] = -1
print(arr)
print(t)

Tensor创建二:依据数值创建（等差，均分，单位矩阵）

4.2 依据数值创建

1）torch.zeros()：按照size创建全0张量

torch.zeros(*size, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

1. 21torch.zeros_like()

torch.zeros_like(input, dtype=None, layout=None, device=None, requires_grad=False)

1. torch.ones()
2. torch.ones_like()
3. torch.full()
4. torch.full_like()
5. torch.arange()，创建等差数列，区间：[start, end，数值) 等差创建 

   6.torch.linspace()，创建均分数列，区间：[start, end]
    注意：step是步长；steps是长度

t = torch.linspace(start=0, end=100, steps=5, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

Tensor创建三:依据概率创建（正太，标准正太，伯努利分布）

第二章：Tensor 操作与线性回归

2.1：张量的操作:拼接、切分、索引和变换

2.1.1拼接：

• torch.cat(): 将张量按维度dim进行拼接

t_0 = torch.cat([t, t], dim=0)
t_1 = torch.cat([t, t], dim=1)

torch.Size([4, 3])

torch.Size([2, 6]) 

• torch.stack()：在新建的维度dim上进行拼接

t = torch.ones((2, 3))

t_0 = torch.cat([t, t], dim=0)
t_1 = torch.stack([t, t], dim=0)

print(t_0)
print(t_0.shape)
print(t_1)
print(t_1.shape)

2.1.2 切分

按维度dim进行平均切分： torch.chunk(input, chunks, dim)

t = torch.ones((2, 7))
print(t)

list_of_tensor = torch.chunk(t, dim=1, chunks=3)
print(list_of_tensor)

指定切分：torch.split()  [2,2,3]切分三个，每个都有特定的te'zheng'sh

t = torch.ones((2, 7))
print(t)
list_of_tensor_2 = torch.split(t, 3, dim=1)
print(list_of_tensor_2)

list_of_tensor_3 = torch.split(t, [2, 2, 3], dim=1)
print(list_of_tensor_3)

2.1.3 reshape

2.2张量的数学运算

2.3线性回归