1、torch.empty（）
torch.empty(*size, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False, pin_memory=False) → Tensor 返回一个size大小的tensor，里面的数值是随机的，主要用到size，其它都是可选内容。 szie可以是列表，元组等。
2、torch.rand()
torch.rand(*size,out=None) 返回一个大小为size的张量，内部结果随机。
3、torch.zeros()
torch.zeros(*size,dtype = None) 返回一个形状为为size,类型为dtype，里面的每一个值都是0的tensor.
4、torch.tensor()
torch.tensor(x) 返回一个tensor，里边的值和x的值对应相等，x可以是一个列表，元组等。
5、x.new_ones()
y = x.new_ones(a,b,dtype = None) 其中x是任意一个tensor，返回的y是一个a*b的数据类型为dtype的值为1的tensor,x保持不变。 等价的函数是y = torch.ones(*size)
6、torch.rand_like()
x4 = torch.rand_like(x3,dtype = None) 返回一个维度和x3一样的tensor,其中里边的值是随机的。
7、tensor的加法
tensor的加法就是逐个元素相加。 x和y是两个tensor，以下结果相同 z = x+y;z = torch.add(x,y) y.add_(x);等价于 y = x + y;
8、x.view
y = x.view(a,b) 返回一个a*b的tensor,其中x也是一个tensor，且含有a*b个元素值。 常用：y = x.view(-1) 返回一个一维的tensor，即只有一行。 x个y共享内存，改变x或者y的值同时也会改变y或者x的值。 如果想让x和y断开联系的话，可以先创造一个x的副本，然后在进行view。 即：y = x.clone().view(a,b)
9、x.item()
可以将只包含一个元素的tensor转化对应的标量。
10、tensor转numpy
b = x.numpy() b是一个numpy数组，x是一个tensor，x和b共享内存。
11、numpy转tensor。
a是一个numpy数组，b = torch.form_numpy(a)，可以把数组a转换为对应的tensor，同样也会共享内存。
12、检查cuda是否可用
torch.cuda.is_available() device = torch.device(c) #c可以是'cpu'也可以是"cuda" x = x.to(device)，就是把x送device并返回x。
13、torch.set_default_tensor_type()
torch.set_default_tensor_type()用来设计tensor的默认数据类型 如果tensor的数据类型不一致可能导致无法训练 例：统一设置为double torch.set_default_tensor_type(torch.DoubleTensor)
14、数据打包
import torch.utils.data as Data
dataset = Data.TensorDataset(arr_x,labels)
其中arr_x和labels都是tensor.
通过第一个维度对两个tensor同时索引，要求arr_x和labels的第一个维度必须一致。
如：
for x in dataset:
print(x)
break
输出：
(tensor([ 0.1078, -0.9351]), tensor(-6.8768))
其中第一个tensor是arr_x中的数据，第二个tensor是labels中的数据。
data_iter = Data.DataLoader(dataset,batch_size,shuffle = True)
用于分批加载数据，dataset就是用TensorDataset打包好的数据包。每次加载batch_size个数据
15、待更
