学习之前：先了解 Tensor（张量）
官方文档的解释是：
张量如同数组和矩阵一样, 是一种特殊的数据结构。在PyTorch中, 神经网络的输入、输出以及网络的参数等数据, 都是使用张量来进行描述。
说白了就是一种数据结构
基本数据类型
Java 与 Pytorch 基本数据类型类比：
| Java | Pytorch （所有都是 Tensor） |
|---|---|
| byte | ByteTensor of size() |
| short | ShortTensor of size() |
| char | Charensor of size() |
| int | IntTensor of size() |
| long | LongTensor of size() |
| float | FloatTensor of size() |
| double | DoubleTensor of size() |
Pytorch 并没有 string 这种类型，但可以通过 one-hot 编码，以及一些内置的处理库，如 Word2vec 来表示。这块先有个概念，了解即可。
数组的表示形如：IntTensor of size[d1, d2, ...]，FloatTensor of size[d1, d2, ...] ...
Pytorch 具体的类型如下图：
Pytorch 数据类型在 CPU 和 GPU 运行上有些差别，在 GPU 注意加上 cuda
类型检查
Pytorch 提供了以下几种类型检查与判断的方法，举例来说：
import torch
x=torch.rand(5,3) // 随机生成一个 5 行 4 列的 tensor 变量
print(x.type())
print(type(x))
result = isinstance(x, torch.FloatTensor)
print(result)
// 执行结果
torch.FloatTensor
<class 'torch.Tensor'>
True执行结果如下：
| 方法 | 结果 |
|---|---|
| x.type() | torch.FloatTensor，返回当前这个变量具体的数据类型 |
| type(x) | <class 'torch.Tensor'>，返回当前这个变量的类型 |
| isinstance(x, torch.FloatTensor) | True，数据类型比较，这里改成 FloatTensor 的父类 torch.Tensor 也是返回 True |
如下图：Tensor 的实现类有以下好几种。
维度（dimension）
Tensor 的维度，可通过以下方法来计算：
# 创建个具体数据的 Tensor dim = 0
a = torch.tensor(1)
print(a.shape)
print(a.size())
print(a.dim())
print(len(a.shape))
print(len(a.size()))
//输出结果：
torch.Size([])
torch.Size([])
0
0
0shape 属性：是描述 Tensor 的形状
size() 方法：和 shape 属性一样，只是这是方法
dim() 方法：直接获取维度的数值，也可通过 len(a.shape) 和 len(a.size()) 方法来获取
维度的理解一定是要结合实际的意义来，这样会更容易理解。
零维度 Tensor
如上代码，就是零维度，实际使用场景：loss 损失函数，返回的就是个 0 维标量，表示数据大小
Pytorch 中需要表示数据大小的，都是使用零维度
1 维度 Tensor
b = torch.tensor([5, 4])
print(b)
print(b.shape)
print(b.size())
print(b.dim())
//输出结果
tensor([5, 4])
torch.Size([2])
torch.Size([2])
1可以理解为是一个 1 行 2 列的矩阵。
b.size() 返回的 torch.Size([2])，表示的就是只有 1 行 2 列的结构
实际使用的场景是：Bias（偏置函数）、线性输入
2 维度 Tensor
c = torch.rand(2, 3)
print(c)
print(c.size())
print(c.size(0))
print(c.size(1))
print(c.dim())
//输出结果
tensor([[0.5755, 0.1844, 0.1174],
[0.8228, 0.8758, 0.1008]])
torch.Size([2, 3])
2
3
2可以理解为一个 2 行 3 列的矩阵。
c.size() 返回的 torch.Size([2, 3]) 描述的是矩阵结构，行数为 2，列数为 3
c.size(0)：返回的是行数 2
c.size(1)：返回的是列数 3
实际使用场景：线性输入组的概念，比如用 dimension 为 1 的 Tensor 表示一张图片，要输入 8 张，则就需要再增加一个维度。
3 维度 Tensor
d = torch.rand(2, 3, 4)
print(d)
print(d.size())
print(d.size(0))
print(d.size(1))
print(d.size(2))
print(d.dim())
//输出结果
tensor([[[0.9375, 0.6131, 0.5574, 0.2307],
[0.4352, 0.2731, 0.5670, 0.2216],
[0.0959, 0.8864, 0.7924, 0.0760]],
[[0.9787, 0.2835, 0.2164, 0.3175],
[0.8904, 0.8363, 0.0011, 0.3942],
[0.6285, 0.5877, 0.5401, 0.2004]]])
torch.Size([2, 3, 4])
2
3
4
3
可以理解为 2 组 3 行 4 列的矩阵构成的数据。
d.size(0)：返回的是组数 2
d.size(1)：返回的是行数 3
d.size(2)：返回的是列数 4
实际使用场景： 比如用一个 dimension 长度为 1 的 Tensor 表示图片的高度，用另一个 dimension 长度为 1 的 Tensor 表示图片的宽度，如果要输入 10 张图片则需要再增加一个维度，也就是 3 维的 Tensor 表示这个输入。在 RNN (循环神经网络) 处理中有更广泛应用。
4 维度 Tensor
e = torch.rand(2, 3, 28, 28)
print(e)
print(e.size())
print(e.size(0))
print(e.size(1))
print(e.size(2))
print(e.size(3))
print(e.dim())
//输出结果
tensor([[[[0.7386, 0.8259, 0.6421, 0.5180, 0.7754],
[0.2118, 0.0453, 0.4092, 0.2339, 0.7938],
[0.2132, 0.0554, 0.0305, 0.3132, 0.8126],
[0.2169, 0.2510, 0.5233, 0.1525, 0.4049],
[0.5695, 0.8084, 0.4958, 0.6022, 0.6873]],
[[0.8591, 0.4062, 0.0522, 0.4481, 0.8709],
[0.1667, 0.1246, 0.0640, 0.3585, 0.0226],
[0.7756, 0.3169, 0.1678, 0.3884, 0.3878],
[0.6382, 0.8963, 0.3272, 0.9765, 0.6208],
[0.1300, 0.4894, 0.0875, 0.5357, 0.5581]],
[[0.9978, 0.4991, 0.8405, 0.8512, 0.8052],
[0.3975, 0.8562, 0.1375, 0.0642, 0.0928],
[0.2272, 0.7209, 0.8362, 0.3370, 0.7584],
[0.9186, 0.0423, 0.5342, 0.6597, 0.8330],
[0.2812, 0.3573, 0.2112, 0.7046, 0.8038]]],
[[[0.0577, 0.9690, 0.1507, 0.8940, 0.4517],
[0.8458, 0.2516, 0.3659, 0.3188, 0.6680],
[0.0421, 0.0674, 0.8306, 0.2685, 0.3755],
[0.5505, 0.9351, 0.5172, 0.6399, 0.0379],
[0.3950, 0.6902, 0.6320, 0.6701, 0.1980]],
[[0.7649, 0.6655, 0.4616, 0.4521, 0.9183],
[0.4430, 0.8904, 0.7241, 0.6998, 0.3434],
[0.8955, 0.8490, 0.1604, 0.6503, 0.5091],
[0.5581, 0.9493, 0.6065, 0.7257, 0.1195],
[0.2835, 0.5829, 0.5373, 0.2529, 0.6760]],
[[0.8280, 0.6496, 0.8250, 0.9196, 0.3306],
[0.0847, 0.9219, 0.3239, 0.7554, 0.3148],
[0.2311, 0.5712, 0.5821, 0.8725, 0.7012],
[0.9260, 0.8914, 0.4068, 0.7549, 0.6963],
[0.7220, 0.2854, 0.0995, 0.9733, 0.9665]]]])
torch.Size([2, 3, 5, 5])
2
3
5
5
4可以理解为 2 组 3 块 5 行 5 列的矩阵构成的数据。
e.size(0)：返回的是组数 2
e.size(1)：返回的是块数 3
e.size(2)：返回的是行数 5
e.size(3)：返回的是列数 5
实际应用场景：图片的处理，比如要输入 2 张由 3 个颜色通道组成的，高为 5 个像素，宽为 5 个像素。在 CNN(卷积神经网络)中应用更为广泛。
以上是对 Pytorch 的 Tensor 张量数据类型进行了一些简单的介绍，有不足之处，欢迎一起探讨。
