一.背景介绍
1.深度学习处理的数据对象一般为n维数组，也称为张量。
2.和Python中使用最广泛的科学计算包NumPy和ndarray类似，又有区别。
3.CPU很好地支持张量加速计算，而NumPy仅支持CPU计算。
4.张量类支持自动微分，这使得张量类更适合深度学习。
二.张量入门与创建
1.导入torch。
2.import torch
注.虽然它被称为PyTorch,但导入torch而不是pytorch。
3.张量本质上就是数组，这个数组可能有多个维度。
4.具有一个轴/维度的张量对应数学上的向量。
5.具有两个轴/维度的张量对应数学上的矩阵。
6.具有两个轴/维度以上的张量没有特殊的数学名称。
创建张量----arrange的用法：
1.使用arange创建一个行向量x:从0开始的前12个整数，默认被创建为浮点数。
2.张量中的每个值都称为张量的元素。
创建张量----shape属性的用法
1.张量的shape属性来访问张量的形状。（沿每个轴的长度）
创建张量----numel()的用法
1.求张量中元素的总数。
创建张量----reshape()函数的用法
1.改变张量的形状而不改变元素数量和元素值。
2.不需要通过手动指定每个维度来改变形状。
用法：-1的功能。
x.reshape(3,4)#3表示矩阵的高度；4表示矩阵的宽度。
等价于：x.reshape(-1,4)
等价于：x.reshape(3,-1)
创建张量----全0张量torch.zeros()
创建张量----全1张量torch.ones()
创建张量----元素来自特定分布
1.创建一个形状为（3，4）的张量。
2.均值为0，标准差为1的标准正态分布中随机采样。
创建张量----通过Python列表
1.通过Python列表（或嵌套列表）创建张量。
2.这里，最外层的列表对应于轴0（即矩阵的行），内层的列表对应于轴1（即矩阵的列）。
