PyTorch是一个基于python的科学计算包。它的灵活性允许轻松集成新的数据类型和算法，并且框架也是高效和可扩展的，下面我们将介绍一些Pytorch的基本张量操作。
Tensors
张量Tensors是一个向量，矩阵或任何n维数组。这是深度学习的基本数据结构，它们非常类似于数组和矩阵，我们可以通过它们有效地对大型数据集进行数学运算。张量可以表示为矩阵，也可以表示为矢量、标量或高维数组。
我们可以把张量想象成一个包含标量或其他数组的简单数组。在PyTorch上，张量是一个非常类似于ndarry的结构，不同之处在于它们能够在GPU上运行，这极大地加快了计算过程。
1、 tensor()
我们一般都会使用tensor()方法创建张量:
torch.tensor([[3, 6], [2, 4.]])
tensor([[3., 6.],
[2., 4.]])
这里要保证传递的python数组维度是相同的，例如下面就会报错
torch.tensor([[1, 2], [3, 4, 5]])
2、randint ()
randint()方法返回一个张量，其中充满了给定形状在低(包含)和高(不包含)之间均匀分布的随机整数。形状它可以是一个元组或包含非负成员的列表。low的默认值是0。当只传递一个int参数时，默认情况下low获取值0,high获取传递的值。
torch.randint(2,5, (2,2))
tensor([[2, 4],
[2, 4]])
3、complex()
complex()方法接受两个参数(real和image)并返回一个复数张量，复数实部real，虚部image，其中实部和虚部都是具有相同数据类型和相同形状的张量。
a_real = torch.rand(2, 2)
print(a_real)
a_imag = torch.rand(2, 2)
print(a_imag)
a_complex_tensor = torch.complex(a_real, a_imag)
print(a_complex_tensor)
tensor([[0.4356, 0.7506],
[0.5335, 0.6262]])
tensor([[0.1342, 0.0804],
[0.2047, 0.0685]])
tensor([[0.4356+0.1342j, 0.7506+0.0804j],
[0.5335+0.2047j, 0.6262+0.0685j]])
如果实部和虚部形状不同则会报错：
real = torch.rand(1, 2)
print(real)
imag = torch.rand(0)
print(imag)
complex_tensor = torch.complex(real, imag)
print(complex_tensor)
4、reshape()
reshape可以更改张量形状，它返回与指定数组相同的数据，但具有不同的指定维度大小。
a = torch.tensor([1, 2, 3, 4, 5, 6, 7, 8])
print(a)
print(a.reshape([4, 2]))
tensor([1, 2, 3, 4, 5, 6, 7, 8])
tensor([[1, 2],
[3, 4],
[5, 6],
[7, 8]])
如果维度不匹配则会报错
a = torch.tensor([[1,2,3],[4,5,6]])
torch.reshape(a, (6))
5、view()
view()用于在二维格式行和列中更改张量。我们必须指定要行数和列数。
a=torch.FloatTensor([24, 56, 10, 20, 30,
40, 50, 1, 2, 3, 4, 5])
print(a)
print(a.view(4, 3))
tensor([24., 56., 10., 20., 30., 40., 50., 1., 2., 3., 4., 5.])
tensor([[24., 56., 10.],
[20., 30., 40.],
[50., 1., 2.],
[ 3., 4., 5.]])
reshape
和
view
都是用于改变张量形状的操作，但它们之间有一些关键的区别。
**
view
：**
view是一个对张量进行重新视图的方法。- 它返回一个新的张量，该张量与原始张量共享相同的数据，但形状可能发生改变。
view操作要求新形状的元素数量必须与原张量相同，否则会引发错误。view可以用于改变张量形状，但仅当原始张量的数据在内存中是连续的时候。
**
reshape
：**
reshape函数也用于改变张量形状。- 与
view不同，reshape返回一个新的张量，而不共享原张量的数据。它总是返回一个新的张量，即使数据在内存中是连续的。 reshape允许在元素数量相同的情况下改变形状，因为它可以自动推断缺失的维度大小。
6、take()
take会根据给定的索引选择张量并返回。输入张量被看作是一维张量。结果的形状与指标的形状相同
a = torch.tensor([[1,2,3],
[3, 4,7],
[4,5,6]])
torch.take(a, torch.tensor([1,4,5]))
tensor([2, 4, 7])
如果索引超过了张量的长度则会报错
a = torch.tensor([[1,2,3],
[3, 4,7],
[4,5,6]])
torch.take(a, torch.tensor([0,3,6,8,10]))
7、unbind()
unbind可以用来移除一个张量维度。它将返回一个元组，包含给定维度上的所有切片，也就是说会将张量变成一个张量的列表
a = torch.tensor([[1,2,3],
[3, 4,7],
[4,5,6]])
torch.unbind(a)
(tensor([1, 2, 3]), tensor([3, 4, 7]), tensor([4, 5, 6]))
8、 reciprocal()
reciprocal返回一个新的张量与输入元素的倒数。
torch.reciprocal(torch.tensor([[1.6,2.5],[3,4],[5,6]]))
tensor([[0.6250, 0.4000],
[0.3333, 0.2500],
[0.2000, 0.1667]])
9、t ()
转置是翻转张量轴的过程。它涉及到交换二维张量的行和列，或者更一般地说，交换任何维度张量的轴。
E = torch.tensor([ [3, 8], [5, 6]])
F = torch.t(E)
print(E)
print(F)
tensor([[3, 8],
[5, 6]])
tensor([[3, 5],
[8, 6]])
10、cat()
张量运算中的cat是将两个或多个张量沿特定维度连接起来形成一个更大张量的过程。得到的张量有一个新的维度，它是输入张量的原始维度的连接。
a = torch.tensor([[1, 2], [3, 4]])
b = torch.tensor([[5, 6]])
c = torch.cat((a, b), dim=0)
print(c)
tensor([[1, 2],
[3, 4],
[5, 6]])