前言

未经允许，不得转载，谢谢~~~
本文主要介绍Pytorch中的Tensor，Tensor目前已经成为一种重要的数据结构，它不仅在pytorch中出现，也在当前主流的深度学习框架中存在，比如Tensorflow、Torch和MXnet等。

Tensor可以理解为高维数组，0维就是一个数（标量），一维就是一个向量，二维就是矩阵，或者更高的高维数组。

一、tensor类型和存储

在pytorch中判断一个数据结构x是否为tensor的语句为：

torch.is_tensor(x)

在pytorch中判断一个数据结构x存储是否为pytorch存储对象的语句为：

torch.is_storage(x)

实际操作
其中，torch.numel()是用来确定tensor中数据个数。

import torch
x = [1,2,3,4,5]
print(torch.is_tensor(x))
print(torch.is_storage(x))
y = torch.randn(1,2,3,4,5)
print(torch.is_tensor(y))
print(torch.is_storage(y))
print('the number of y is:',torch.numel(y))

输出为：

False
False
True
False
the number of y is: 120

二、 tensor和numpy的互相转换

在pytorch中，tensor能够很好的跟numpy进行转换，这样上手就很方便。但是，装换时numpy类型需提前转换成array，对列表list这类数据转换成tensor会把报错。
实际操作:

import numpy as np
x1 = np.array(x)
x2 = torch.from_numpy(x1)#numpy转换成tensor
x3 = x2.numpy()#tensor转换成numpy
print(x1)
print(x2)
print(x3)

输出：

[1 2 3 4 5]
tensor([1, 2, 3, 4, 5], dtype=torch.int32)
[1 2 3 4 5]

三、tensor的操作

tensor的操作和python、matlab操作都差不多。
生成随机矩阵和随机数的tensor
rand：随机生成（0,1）之间的tensor;
randn：随机生成均值为0方差为1的tensor;
randperm：生成随机数
实例：

print('生成随机矩阵0-1',torch.rand(10))
print('生成正态分布矩阵（均值为0方差为1）：',torch.randn(4,5))
print('生成随机数：',torch.randperm(10))

输出：

生成随机矩阵0-1 tensor([0.9267, 0.7695, 0.6366, 0.9078, 0.9745, 0.9479, 0.0129, 0.7216, 0.2206,
        0.2062])
生成正态分布矩阵（均值为0方差为1）： tensor([[-0.8793, -1.1207, -0.4978, -0.2495,  0.0289],
        [ 0.4196, -0.1772,  0.6592, -1.3391,  0.9928],
        [ 0.0786,  1.2136, -0.4002, -0.2884, -0.9214],
        [-0.0820,  1.6583, -1.2440,  1.3483,  0.2718]])
生成随机数： tensor([4, 3, 7, 9, 0, 6, 1, 8, 5, 2])

生成固定变换范围的tensor
在matlab中，生成固定数组有linspace均分操作，在pytorch中也有相同的
实例：

y_linear = torch.linspace(2,10,steps=25)#线性均分操作
print(y_linear)
y_log = torch.logspace(-10,10,steps=15)#log均分操作
print(y_log)
print(torch.arange(10,20,2))#生成步长为2的一维tensor
print(torch.arange(10,20))#生成步长为1的一维tensor

输出：

tensor([ 2.0000,  2.3333,  2.6667,  3.0000,  3.3333,  3.6667,  4.0000,  4.3333,
         4.6667,  5.0000,  5.3333,  5.6667,  6.0000,  6.3333,  6.6667,  7.0000,
         7.3333,  7.6667,  8.0000,  8.3333,  8.6667,  9.0000,  9.3333,  9.6667,
        10.0000])
tensor([1.0000e-10, 2.6827e-09, 7.1969e-08, 1.9307e-06, 5.1795e-05, 1.3895e-03,
        3.7276e-02, 1.0000e+00, 2.6827e+01, 7.1968e+02, 1.9307e+04, 5.1795e+05,
        1.3895e+07, 3.7276e+08, 1.0000e+10])
tensor([10, 12, 14, 16, 18])
tensor([10, 11, 12, 13, 14, 15, 16, 17, 18, 19])

tensor操作符
在pytorch中，操作符和matlab、python也比较相似，比如add、mul、exp等。
实例：

a = torch.Tensor([[1,2],[3,4]])
a_mul = torch.mul(a,2)
print(a_mul)
a_add = torch.add(a,200)
print(a_add)

输出：

tensor([[2., 4.],
        [6., 8.]])
tensor([[201., 202.],
        [203., 204.]])

在pytorch中还有许多操作，比如找到最大值max()函数，最小值min()函数，找到最值的位置argmin()，argmax()等。其中dim就是代表行还是列的操作。但是，pytorch最重要的就是可以将tensor送入到GPU中运行，实际操作为：

if torch.cuda.is_available():#事先判断cuda是否使用
    x = x.cuda()##送入GPU运算

参考资料

[1].pytorch中文手册
[2].Pytorch Recipes