浅解 PyTorch 张量：PyTorch 中张量的使用

PyTorch是一个强大的深度学习框架，它的核心数据结构之一是张量（Tensors）。本篇博客将带你深入探索PyTorch张量的世界，无需深厚的数学背景，我们将从基础知识开始，逐步深入，让你了解如何使用张量进行各种深度学习任务。

张量是什么？

在深入了解PyTorch张量之前，让我们先了解一下什么是张量。张量是一个多维数组，类似于NumPy中的数组。在PyTorch中，张量用于表示数据，它可以是标量（0维张量）、向量（1维张量）、矩阵（2维张量）或更高维度的数组。

张量的核心属性包括形状（shape）、数据类型（dtype）和设备（device）。形状描述了张量的维度，数据类型定义了张量中元素的类型，设备表示张量存储在CPU还是GPU上。

现在，让我们开始探索张量的基础知识。

创建张量

在PyTorch中，你可以使用多种方式创建张量。以下是一些常用的方法：

1. 从列表或数组创建张量

你可以使用torch.tensor函数从Python列表或NumPy数组创建张量：

import torch

# 从列表创建张量
my_list = [1, 2, 3]
tensor_from_list = torch.tensor(my_list)

# 从NumPy数组创建张量
import numpy as np
my_array = np.array([4, 5, 6])
tensor_from_array = torch.tensor(my_array)

2. 创建特定类型的张量

PyTorch提供了许多用于创建特定类型的张量的函数。例如，你可以使用torch.zeros创建全零张量，使用torch.ones创建全一张量，使用torch.randn创建随机张量，等等。

# 创建全零张量
zeros_tensor = torch.zeros(2, 3)

# 创建全一张量
ones_tensor = torch.ones(3, 2)

# 创建随机张量
rand_tensor = torch.randn(2, 2)

3. 使用特殊张量

PyTorch还提供了一些特殊的张量，如单位矩阵和对角矩阵。你可以使用torch.eye创建单位矩阵，使用torch.diag创建对角矩阵。

# 创建单位矩阵
eye_tensor = torch.eye(3