Pytorch基础操作（李沐课程整理，自用）

torch.arange(x) #生成从1到x的张量
x.shape         #返回x的形状
x.numel         #返回x内元素的个数
x.reshape(m,n)  #返回改变形状后的x，m为行数，n为列数
torch.tensor()  #将Python列表改变为张量。
torch.cat((x,y),dim=)  #张量连结，0为按行连结，1为按列连结。

#pytorch自动求导的一般方法
x.requires_grad_(True)    #存储x的梯度
x.grad                    #默认值为None
y=torch.dot(x,x)          #此时可以通过调用反向传播函数自动计算y关于x每个分量的梯度
y.backward()              #此时导数将存储在x.grad里面
x.grad    


#pytorch关于导数方面的操作
x.grad.zero_()            #将x内的导数进行清零

注：一般而言，在深度学习中很少会出现y为向量或为矩阵的情况，当出现y为向量或矩阵的情况下，需要对y做一次求和，然后再求导。

y.sum().backward()
x.grad

x.gard_zero_()
y=x*x
u=y.detach()           #此处u不在是关于x的函数，而只是y的数值结果
z=u*x

注：并不理解此处的计算移动有何使用价值，等后续学到相关位置后再进行补充。

a=torch.randn(size=(),requires_grad=True)        #此处生成的a为随机数
d=f(a)                                           #f为我们自定义的函数
d.backward()