一、什么是张量
要想接下来这几个概念的维度是依次上升的。
1.标量：标量由只有一个元素的张量表示。在下面的代码中，我们实例化两个标量，并使用它们执行一些熟悉的算术运算，即加法、乘法、除法和指数。（单个的数）
2.向量：标量值组成的列表。
3.矩阵：多个向量组成矩阵
4.张量：矩阵的推广，有n维数据轴
import torch A=torch.arange(20*2).reshape(2,5,4) A
A就是一个张量，长下面这个样子
tensor([[[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11],
[12, 13, 14, 15],
[16, 17, 18, 19]],
[[20, 21, 22, 23],
[24, 25, 26, 27],
[28, 29, 30, 31],
[32, 33, 34, 35],
[36, 37, 38, 39]]])
可以看出，(2,5,4)中2代表两个矩阵，5代表5行，4代表4列。
二、计算张量元素的和（降维）
A_sum_axis0 = A.sum(axis=0)#以第一个维度为轴，求对应位置元素的和 A_sum_axis0, A_sum_axis0.shape
A_sum_axis0 = A.sum(axis=0)这句代码的理解就是按照0轴求和，第一个矩阵和第二个矩阵对应位置的和相加，降维之后运行结果应该有5行4列
(tensor([[20, 22, 24, 26],
[28, 30, 32, 34],
[36, 38, 40, 42],
[44, 46, 48, 50],
[52, 54, 56, 58]]),
torch.Size([5, 4]))
也可以按照两个维度求和
A_sum_axis0 = A.sum(axis=[0,1]) A_sum_axis0, A_sum_axis0.shape
A_sum_axis0 = A.sum(axis=[0,1])也就是说第一个第一个矩阵和第二个矩阵对应位置要想加，并且不同行对应位置也要相加，那么降维之后应该是一个长度为4的向量。
(tensor([180, 190, 200, 210]), torch.Size([4]))
