数据操作
# 导入PyTorch
import torch[张量表示一个由数值组成的数组，这个数组可能有多个维度]。 具有一个轴的张量对应数学上的向量（
）； 具有两个轴的张量对应数学上的矩阵（matrix）； 具有两个轴以上的张量没有特殊的数学名称。
首先，我们可以使用 arange 创建一个行向量 x。这个行向量包含以0开始的前12个整数，它们默认创建为整数。也可指定创建类型为浮点数。张量中的每个值都称为张量的 元素（element）。例如，张量 x 中有 12 个元素。除非额外指定，新的张量将存储在内存中，并采用基于CPU的计算。
x = torch.arange(15)
x
#:tensor([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 13, 14])[可以通过张量的shape属性来访问张量（沿每个轴的长度）的*形状*] (和张量中元素的总数)。
x.shape
#:torch.Size([15])如果只想知道张量中元素的总数，即形状的所有元素乘积，可以检查它的大小（size）。 因为这里在处理的是一个向量，所以它的shape与它的size相同。
x.numel()
#:15?[要想改变一个张量的形状而不改变元素数量和元素值，可以调用reshape函数。] 例如，可以把张量x从形状为（12,）的行向量转换为形状为（3,4）的矩阵。 这个新的张量包含与转换前相同的值，但是它被看成一个3行4列的矩阵。 要重点说明一下，虽然张量的形状发生了改变，但其元素值并没有变。 注意，通过改变张量的形状，张量的大小不会改变。
X = x.reshape(3,5)
X#:
tensor([[ 0, ?1, ?2, ?3, ?4],
? ? ? ? [ 5, ?6, ?7, ?8, ?9],
? ? ? ? [10, 11, 12, 13, 14]])?
我们不需要通过手动指定每个维度来改变形状。 也就是说，如果我们的目标形状是（高度,宽度）， 那么在知道宽度后，高度会被自动计算得出，不必我们自己做除法。 在上面的例子中，为了获得一个3行的矩阵，我们手动指定了它有3行和4列。 幸运的是，我们可以通过-1来调用此自动计算出维度的功能。 即我们可以用x.reshape(-1,4)或x.reshape(3,-1)来取代x.reshape(3,4)。
有时，我们希望[使用全0、全1、其他常量，或者从特定分布中随机采样的数字]来初始化矩阵。 我们可以创建一个形状为（2,3,4）的张量，其中所有元素都设置为0。代码如下：
torch.zeros((2,3,4))#:
tensor([[[0., 0., 0., 0.],
? ? ? ? ?[0., 0., 0., 0.],
? ? ? ? ?[0., 0., 0., 0.]],? ? ? ? [[0., 0., 0., 0.],
? ? ? ? ?[0., 0., 0., 0.],
? ? ? ? ?[0., 0., 0., 0.]]])
?同样，我们可以创建一个形状为(2,3,4)的张量，其中所有元素都设置为1。代码如下：
torch.ones((2,3,4))?#:
tensor([[[1., 1., 1., 1.],
? ? ? ? ?[1., 1., 1., 1.],
? ? ? ? ?[1., 1., 1., 1.]],? ? ? ? [[1., 1., 1., 1.],
? ? ? ? ?[1., 1., 1., 1.],
? ? ? ? ?[1., 1., 1., 1.]]])