记录深度学习从0开始（二）

1、索引

张量的索引从维度出发，几个维度就写几个索引。

1.1、符号索引

pytorch中的索引基本遵循python的写法，[start: end: step],下面以一个三维张量为例：

import torch

t = torch.arange(12).reshape(2,2,3)
t

高维张量的理解：t 是一个3维张量，由2个二维张量构成，这两个二维张量都是由4个一维张量构成，每个一维张量都是由5个0维张量构成。

t[1,1,1]

上述表明，在第一个维度取第二个位置，第二个维度也取第二个位置，第三个维度同样如此,通俗来讲就是，索引张量t的第二个二维张量的第二行的第二列。就是零维张量tensor（10）

 t[::2,::2,::2]

在第一个维度从第一个元素步长为2取，在第二个维度以步长为2取，在第三个维度以步长为2取。故索引为t的第一个二维张量的第一行的第一列和第3列。

一维张量和二维张量就不谈了，类似处理即可。

1.2、函数索引

除了符号可以索引外，pytorch还提供了一些函数来进行索