- 0维张量：数字
- 1维张量：向量
- 2维张量：矩阵
- 3维张量：公用数据存储在张量 时间序列数据 股价 文本数据 彩色图片(RGB)
from __future__ import print_function import torch一些操作
加法操作：
# 方式1 y = torch.rand(4, 3) print(x + y) # 方式2 print(torch.add(x, y)) # 方式3 提供一个输出 tensor 作为参数 # 这里的 out 不需要和真实的运算结果保持维数一致，但是会有警告提示！ result = torch.empty(5, 3) torch.add(x, y, out=result) print(result) # 方式4 in-place y.add_(x) print(y)
索引操作（类似于numpy):
需要注意的是：索引出来的结果与原数据共享内存，也即修改一个，另一个会跟着修改。
y = x[0,:] y += 1 print(y) print(x[0, :]) # 源tensor也被更改
改变大小:如果你想改变一个 tensor 的大小或者形状，你可以使用 torch.view：
注意 view() 返回的新tensor与源tensor共享内存(其实是同一个tensor)，也即更改其中的一个，另 外一个也会跟着改变。(顾名思义，view仅仅是改变了对这个张量的观察角度)
二、自动求导autograd 简介autograd包是所有神经网络的核心，它为张量上的所有操作提供了自动求导机制。
| 属性 | 功能 |
|---|---|
| requires_grad | true：追踪张量操作 |
| backward() | 计算所有梯度 |
| detach() | 阻止计算记录跟踪 |
| grad_fn | 引用创建Tensor自身的Function |
- 网络结构分布到不同的设备中(Network partitioning)
- 同一层的任务分布到不同数据中(Layer-wise partitioning)
- 不同的数据分布到不同的设备中，执行相同的任务(Data parallelism)
