Tensor是一種特殊的資料結構，非常類似於陣列和矩陣。在PyTorch中，我們使用tensor編碼模型的輸入和輸出，以及模型的引數。
Tensor類似於Numpy的陣列，除了tensor可以在GPUs或其它特殊的硬體上執行以加速運算。如果熟悉ndarray，那麼你也會熟悉Tensor API。如果不是，跟隨此快速API上手。
import torch
import numpy as np
Tensor 初始化
Tensor可以通過多種途徑初始化。看看下面的例子：
直接從資料中初始化
Tensor可以直接從資料中初始化。資料型別是自動推斷的。
data = [[1, 2], [3, 4]]
x_data = troch.tensor(data)
從陣列中初始化
Tensor可以由NumPy陣列建立（反之亦然 - 參見Bridge with NumPy）。
np_array = np.array(data)
x_np = torch.from_numpy(np_array)
從另一個tensor初始化：
除非明確覆蓋，新的tensor保留引數tensor的屬性（形狀，資料型別）。
x_ones = torch.ones_like(x_data) # retatins the properties of x_data
print(f"Ones Tensor: \n {x_ones} \n")
x_rand = torch.rand_like(x_data, dtype=torch.float) # overrides the datatype of x_data
print(f"Random Tensor: \n {x_rand} \n")
輸出：
Ones Tensor:
tensor([[1, 1],
[1, 1]])
Random Tensor:
tensor([[0.3208, 0.9371],
[0.8172, 0.7103]])
使用隨機值或常量值：
shape 是tensor維度的元祖。在以下函式中，它決定了輸出tensor的維度。
shape = (2, 3,)
rand_tensor = torch.rand(shape)
ones_tensor = torch.ones(shape)
zeros_tensor = torch.zeros(shape)
print(f"Random Tensor: \n {rand_tensor} \n")
print(f"Ones Tensor: \n {ones_tensor} \n")
print(f"Zeros Tensor: \n {zeros_tensor} \n")
輸出：
Random Tensor:
tensor([[0.0546, 0.8256, 0.1878],
[0.6135, 0.0886, 0.0350]])
Ones Tensor:
tensor([[1., 1., 1.],
[1., 1., 1.]])
Zeros Tensor:
tensor([[0., 0., 0.],
[0., 0., 0.]])
Tensor 屬性
Tensor屬性描述了其形狀、資料型別和儲存的裝置
tensor = torch.rand(3, 4)
print(f"Shape of tensor: {tensor.shape}")
print(f"Datatype of tensor: {tensor.dtype}")
print(f"Device tensor is stored on: {tensor.device}")
輸出：
Shape of tensor: torch.Size([3, 4])
Datatype of tensor: torch.float32
Device tensor is stored on: cpu
Tensor 操作
超過100種tensor操作，包括轉置、索引、切片、數學運算、線性代數、隨機取樣，更多全面的描述見這裡
以上每一種都可以在GPU上執行（通常比cpu速度更快）。如果你使用Colab，在Edit->Notebook Setting中配置GPU
# We move our tensor to the GPU if avaibale
if torch.cuda.is_available():
tensor = tensor.to('cuda')
print(f"Device tensor is stored on: {tensor.device}")
輸出：
Device tensor is stored on: cuda:0
嘗試列表中某些操作。如果你熟悉NumPy API，你會發現Tensor API使用起來輕而易舉。
標準的類似於numpy的索引和切片：
tensor = torch.ones(4, 4)
tensor[:, 1] = 0
print(tensor)
輸出：
tensor([[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.]])
拼接張量，你可以使用torch.cat沿著給定維度拼接一系列張量，另見torch.stack,另一個tensor的拼接操作，與torch.cat略有不同。
t1 = torch.cat([tensor, tensor, tensor], dim=1)
print(t1)
輸出：
tensor([[1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.],
[1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.],
[1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.],
[1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.]])
dim=0,沿著第一維度拼接（增加第一維度數值），dim=1,沿著第二維度拼接（增加第二維度數值）
tensor乘法
# 計算元素乘積
print(f"tensor.mul(tensor) \n {tensor.mul(tensor)} \n")
# 替代語法
print(f"tensor * tensor \n {tensor * tensor}")
輸出：
tensor.mul(tensor)
tensor([[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.]])
tensor * tensor
tensor([[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.]])
計算兩個tensor的矩陣乘法
print(f"tensor.matmul(tensor.T) \n {tensor.matmul(tensor.T)} \n")
# 替代語法：
print(f"tensor @ tensor.T \n {tensor @ tensor.T}")
輸出：
tensor.matmul(tensor.T)
tensor([[3., 3., 3., 3.],
[3., 3., 3., 3.],
[3., 3., 3., 3.],
[3., 3., 3., 3.]])
tensor @ tensor.T
tensor([[3., 3., 3., 3.],
[3., 3., 3., 3.],
[3., 3., 3., 3.],
[3., 3., 3., 3.]])
In-place operations:張量操作名帶上“_”即是in-place。例如：x.copy_(y), x.t_()，將會改變x。
print(tensor, "\n")
tensor.add_(5)
print(tensor)
輸出：
tensor([[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.]])
tensor([[6., 5., 6., 6.],
[6., 5., 6., 6.],
[6., 5., 6., 6.],
[6., 5., 6., 6.]])
注意：In-place操作可以節省一些記憶體，但當計算導數時可能會出現問題，因為它會立即丟失歷史記錄。因此，不鼓勵使用它們。
與NumPy的關聯
CPU上的Tensor和NumPy陣列可以共享它們的底層記憶體位置，改變其中一個，另一個也會隨之改變
Tensor轉換為NumPy陣列
t = torch.ones(5)
print(f"t: {t}")
n = t.numpy()
print(f"n: {n}")
輸出：
t: tensor([1., 1., 1., 1., 1.])
n: [1. 1. 1. 1. 1.]
在tensor上的改變將會反映在NumPy陣列上
t.add_(1)
print(f"t: {t}")
print(f"n: {n}")
輸出：
t: tensor([2., 2., 2., 2., 2.])
n: [2. 2. 2. 2. 2.]
Numpy陣列轉換為tensor
n = np.ones(5)
t = torch.from_numpy(n)
在NumPy上的改變將會反映在tensor上
np.add(n, 1, out=n)
print(f"t: {t}")
print(f"n: {n}")
輸出：
t: tensor([2., 2., 2., 2., 2.], dtype=torch.float64)
n: [2. 2. 2. 2. 2.]