1 导入pytorch包

import torch

2 创建张量（tensor）

scalar标量

scalar = torch.tensor(7)
scalar

tensor(7)

scalar.ndim

查看scalar的维度，因为scalar是标量，所以维度为0

0

scalar.shape

torch.Size([])

torch.item()

7

vector（向量）

vector = torch.tensor([7,7])
vector

tensor([7, 7])

vetor.ndim

1

vector.shape

torch.Size([2])

MATRIX 矩阵

MATRIX = torch.tensor([[1,2],[3,4]])
MATRIX

tensor([[1, 2],
        [3, 4]])

同样，用ndim看维度，shape看形状，这里想重点讲一下我对tensor形状的理解

先搞一个tensor出来好吧

Tensor

TENSOR = torch.tensor([[[[1, 2, 3],[4, 5, 6],[7, 8, 9]]]])
TENSOR

tensor([[[[1, 2, 3],
          [4, 5, 6],
          [7, 8, 9]]]])

TENSOR.ndim

4

TENSOR.shape

torch.Size([1, 1, 3, 3])

这是我的理解，也不知道对不对，可以多搞两个例子试一试

这里主要讲创建tensor（张量），因为pytorch里面的基本数据就是张量，现实生活中的音频、图片、视频都可以变成张量，因此我们需要搞清楚张量哟~输入到网络中的数据都是张量

3 创建随机张量

random_tensor = torch.rand(size=(3,4)
random_tensor

tensor([[0.4875, 0.9833, 0.7744, 0.4002],
        [0.2102, 0.4866, 0.9648, 0.3243],
        [0.1394, 0.5789, 0.5765, 0.3988]])

4 创建全为0的张量

zeros = torch.zeros(size=(3,3))
zeros

tensor([[0., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.]])

5 创建全为1的张量

ones = torch.tensor(size=(3,3))
ones

tensor([[1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.]])

ones.dtype

torch里面的数据类型，一般就是float32

torch.float32

6 创建range和tensor like

one_to_ten = torch.arange(1,11)
one_to_ten

torch.float32

one_to_tens = torch.arange(start=10, end=22, step=2)
one_to_tens

tensor([10, 12, 14, 16, 18, 20])

tensor like意思是创建一个类似于某一个tensor的tensor，举个例子，我们创建一个全为0的，和one_to_tens规模一致的张量，维度，形状一致

m = torch.zeros_like(input=one_to_tens)
m

tensor([0, 0, 0, 0, 0, 0])

同理，也有全为1的。如下所示：

r1 = torch.rand(size=(10,3))
r1

p = torch.ones_like(input=r1)
p

tensor([[1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.]])

好好好，今天就短暂的学习这些吧，如果我的学习对你有帮助的话，记得给俺点个赞赞！

赞赞！！!

谢谢你，今天晚上吃的麻辣烫味道还可以，汤的味道还可以，不过食材嘛（你懂的），不过有一个优点就可以啦，知足常乐咯咯咯~
over over over!