PyTorch是一个Python包，提供两个高级功能：
- 具有强大的GPU加速的张量计算（如NumPy）
- 包含自动求导系统的的深度神经网络
1.何为张量
矩阵可以进行各种运算
为了方便存储矩阵及进行矩阵之间的运算，大神们抽象出了PyTorch库，PyTorch库中有一个类叫torch.Tensor，这个类存储了一个矩阵变量，并且有一系列方法用于对这个矩阵进行各种运算。上面的这些矩阵运算都可以通过torch.Tensor类的相应方法实现。
import torch # 引入torch类
x = torch.rand(5, 3) # 生成一个5*3的矩阵x，矩阵的每个元素都是0到1之间的随机数，x的类型就是torch.Tensor，x里面存了一个5*3的矩阵
y = torch.zeros(5, 3, dtype=torch.long) # 生成一个5*3的矩阵y，矩阵的每个元素都是0，每个元素的类型是long型，y的类型就是torch.Tensor，y里面存了一个5*3的矩阵
y.add_(x) # 使用y的add_方法对y和x进行运算，运算结果保存到y上面的x、y的类型都是torch.Tensor，Tensor这个单词一般可译作“张量”
为什么要给这个类型起名字叫张量呢，直接叫矩阵不就行了吗？张量又是什么意思呢？
通常我们不但要对矩阵进行运算，我们还会对数组进行运算（当然数组也是特殊的矩阵），比如两个数组的加法：
在机器学习中，我们更多的会对下面形状这样的数进行运算：
大家可以把这种数看作几个矩阵叠在一起，这种我们暂且给它取一个名字叫“空间矩阵”或者“三维矩阵”。
因此用“矩阵”不能表达所有我们想要进行运算的变量，所以，我们使用张量把矩阵的概念进行扩展。这样普通的矩阵就是二维张量，数组就是一维张量，上面这种空间矩阵就是三维张量，类似的，还有四维、五维、六维张量
对于一维张量[1,2,3]，
在PyTorch中可以表达为torch.tensor([1,2,3])
对于二维张量
，
在PyTorch中可以表达为torch.tensor([[1,2,3],[4,5,6]])
聪明的读者可能发现了，多一个维度，我们就多加一个[]
所以对于上图中的“空间矩阵”，我们可以这样表达：
torch.tensor([[[9,1,8],[6,7,5],[3,4,2]],[[2,9,1],[8,6,7],[5,3,4]],[[1,5,9],[7,2,6],[4,8,3]]])
torch.tensor([
[[9,1,8],[6,7,5],[3,4,2]],
[[2,9,1],[8,6,7],[5,3,4]],
[[1,5,9],[7,2,6],[4,8,3]]
])可以看到上面中间三行的每一行都是一个矩阵，所以我们就知道了,每多一个方向的数据，我们就多加一个[]
再重复一下形状的概念，这个概念也很重要，
对于矩阵
，它有两行三列，我们说它的形状是（2，3）
对于上面的那个空间矩阵，在x轴、y轴、z轴上它都是三个数，所以我们说它的形状是（3，3，3）
同理我们可以生成任意形状的张量：
x = torch.rand(2,3,4,5) #生成一个（2，3，4，5）形状的张量,注意与torch.rand([2,3,4,5])的区别所以为什么叫张量而不是矩阵呢？就是因为我们通常需要处理的数据有零维的（单纯的一个数字）、一维的（数组）、二维的（矩阵）、三维的（空间矩阵）、还有很多维的。Pytorch为了把这些各种维统一起来，所以起名叫张量。
张量可以看作是一个多维数组。标量可以看作是0维张量，向量可以看作1维张量，矩阵可以看作是二维张量。如果你之前用过NumPy，你会发现Tensor和NumPy的多维数组非常类似。
也就是说，tensor和NumPy都是为了表达张量（多维数组），在这些张量（多维数组）上可以进行各种各样的运算，因此把张量及其运算封装成了类，张量的运算就是类里面的方法。
创建tensor：
x = torch.empty(5, 3)
x = torch.rand(5, 3)
x = torch.zeros(5, 3, dtype=torch.long)
x = torch.tensor([5.5, 3])
x = x.new_ones(5, 3, dtype=torch.float64)
y = torch.randn_like(x, dtype=torch.float)获取Tensor的形状:
print(x.size())
print(x.shape)Tensor的各种操作:
y = torch.rand(5, 3)
print(x + y) # 加法形式一
print(torch.add(x, y)) # 加法形式二
# adds x to y
y.add_(x) # 加法形式三
print(y)PyTorch中的Tensor支持超过一百种操作，包括转置、索引、切片、数学运算、线性代数、随机数等等，总之，凡是你能想到的操作，在pytorch里都有对应的方法去完成。
