张量是一种特殊的数据结构，与数组和矩阵非常相似。 在 PyTorch 中，我们使用张量对模型的输入和输出以及模型的参数进行编码。
张量与 NumPy 的ndarray相似，除了张量可以在 GPU 或其他专用硬件上运行以加速计算。 如果您熟悉ndarray，就可以使用张量 API。 如果没有，请遵循此快速 API 演练。
import torch
import numpy as np张量可以通过多种方式初始化。 看下面的例子：
直接来自数据
张量可以直接从数据创建。 数据类型是自动推断的。
data = [[1, 2],[3, 4]]
x_data = torch.tensor(data)来自 NumPy 数组
可以从 NumPy 数组创建张量（反之亦然-参见与 NumPy 桥接）。
np_array = np.array(data)
x_np = torch.from_numpy(np_array)来自另一个张量：
除非明确覆盖，否则新张量将保留参数张量的属性（形状，数据类型）。
x_ones = torch.ones_like(x_data) # retains 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")出：
Ones Tensor:
tensor([[1, 1],
[1, 1]])
Random Tensor:
tensor([[0.2143, 0.8153],
[0.5212, 0.8607]])具有随机或恒定值：
shape是张量尺寸的元组。 在下面的函数中，它确定输出张量的维数。
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}")出：
Random Tensor:
tensor([[0.6513, 0.6193, 0.5550],
[0.7230, 0.3545, 0.9288]])
Ones Tensor:
tensor([[1., 1., 1.],
[1., 1., 1.]])
Zeros Tensor:
tensor([[0., 0., 0.],
[0., 0., 0.]])张量属性描述了它们的形状，数据类型以及存储它们的设备。
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}")出：
Shape of tensor: torch.Size([3, 4])
Datatype of tensor: torch.float32
Device tensor is stored on: cpu在此处全面描述了超过 100 个张量运算，包括转置，索引，切片，数学运算，线性代数，随机采样等。
它们每个都可以在 GPU 上运行（通常比 CPU 上更高的速度）。 如果您使用的是 Colab，请通过转到“编辑”>“笔记本设置”来分配 GPU。
# We move our tensor to the GPU if available
if torch.cuda.is_available():
tensor = tensor.to('cuda')尝试从列表中进行一些操作。 如果您熟悉 NumPy API，则可以轻松使用张量 API。
类似 Numpy 的标准索引和切片：
tensor = torch.ones(4, 4)
tensor[:,1] = 0
print(tensor)出：
tensor([[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.]])连接张量可以使用torch.cat沿给定维度连接一系列张量。 另请参见torch.stack，这是另一个与torch.cat稍有不同的张量连接操作。
t1 = torch.cat([tensor, tensor, tensor], dim=1)
print(t1)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.]])相乘张量
# This computes the element-wise product
print(f"tensor.mul(tensor) \n {tensor.mul(tensor)} \n")
# Alternative syntax:
print(f"tensor * tensor \n {tensor * tensor}")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.]])计算两个张量之间的矩阵乘法
print(f"tensor.matmul(tensor.T) \n {tensor.matmul(tensor.T)} \n")
# Alternative syntax:
print(f"tensor @ tensor.T \n {tensor @ tensor.T}")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.]])原地操作后缀为_的操作就位。 例如：x.copy_(y)，x.t_()将更改为x。
print(tensor, "\n")
tensor.add_(5)
print(tensor)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
原地操作可以节省一些内存，但是在计算导数时可能会因为立即丢失历史记录而出现问题。 因此，不鼓励使用它们。
CPU 和 NumPy 数组上的张量可以共享其基础内存位置，更改一个将更改另一个。
t = torch.ones(5)
print(f"t: {t}")
n = t.numpy()
print(f"n: {n}")出：
t: tensor([1., 1., 1., 1., 1.])
n: [1\. 1\. 1\. 1\. 1.]张量的变化反映在 NumPy 数组中。
t.add_(1)
print(f"t: {t}")
print(f"n: {n}")出：
t: tensor([2., 2., 2., 2., 2.])
n: [2\. 2\. 2\. 2\. 2.]n = np.ones(5)
t = torch.from_numpy(n)NumPy 数组中的更改反映在张量中。
np.add(n, 1, out=n)
print(f"t: {t}")
print(f"n: {n}")出：
t: tensor([2., 2., 2., 2., 2.], dtype=torch.float64)
n: [2\. 2\. 2\. 2\. 2.]脚本的总运行时间：（0 分钟 0.045 秒）
下载 Python 源码：tensor_tutorial.py
下载 Jupyter 笔记本：tensor_tutorial.ipynb
由 Sphinx 画廊生成的画廊