这里写目录标题创建张量:张量形状和维度操作:张量索引与切片:张量运算:Autograd操作:逐元素操作归并函数比较线性代数以下是一些常见的张量操作示例：创建张量:importtorchx=torch.tensor([1,2,3])#从列表创建张量y=torch.zeros(2,3)#创建一个全零张量z=torch.randn(3,3,requires_grad=True)#创建一个正态分布张量并启用梯度追踪张量形状和维度操作:x.size()#获取张量的形状y.shape#获取张量的形状（和size()相同）y.dim()#获取张量的维度y.view(3,2)#改变张量的形状y.unsquee
对于3维矩阵，dim为-1时 与dim为2时的效果是一样的。dim为0时 从0维度，下图 是三维实例 图的目的是 可以由一个想象的空间。下面代码与上图关系不大>>>ab=torch.tensor([[[0,1,2,3],[1,2,3,4]],[[2,3,4,5],[4,5,6,7]],[[5,6,7,8],[6,7,8,9]]])>>>abtensor([[[0,1,2,3],[1,2,3,4]],[[2,3,4,5],[4,5,6,7]],[[5,6,7,8],[6,7,8,9]]])>>>ab.shape#ab的形状尺寸torch.Size([3,2,4])>>>ab.size()#ab的
1.torch.sumtorch.sum(imgs,dim=0)#按列求和torch.sum(imgs,dim=1) #按行求和imgs=torch.Tensor([iforiinzip(range(10),range(10))])print(imgs)s1=torch.sum(imgs,dim=0)#按列求和s2=torch.sum(imgs,dim=1)#按行求和print(s1)print(s2)2.torch.unsqueeze将每个图像张量的维度扩展，即在每个图像张量的最前面添加一个额外维度，以匹配模型的输入形状要求。 torch.unsqueeze(i,dim=0) #按dim=0
