pytorch学习（二）：基本操作

基本操作

基本概念和简单操作

在 PyTorch 中，张量（Tensor）和标量（Scalar）是数据的基本表示形式。理解它们的区别和用途是有效使用 PyTorch 的关键。

张量（Tensor）
张量是一个多维数组，类似于 NumPy 数组，但具有更强大的功能，特别是在 GPU 加速计算和自动微分方面。张量可以是标量、向量、矩阵或更高维度的数组。

0 维张量（标量）：只有一个数值。例如，3.14。
1 维张量（向量）：一维数组。例如，[1.0, 2.0, 3.0]。
2 维张量（矩阵）：二维数组。例如，[[1.0, 2.0], [3.0, 4.0]]。
更高维张量：可以有任意多的维度。例如，三维张量可以表示一个立方体的数据。
标量（Scalar）
标量是一个只有一个数值的张量，通常被称为 0 维张量。它没有任何维度信息，只有一个单一的数值。标量在 PyTorch 中也是通过张量来表示的。

def main():
    # 标量（0 维张量）
    scalar = torch.tensor(3.14)
    print(f"标量: {
     scalar}, 形状: {
     scalar.shape}")

    # 向量（1 维张量）
    vector = torch.tensor([1.0, 2.0, 3.0])
    print(f"向量: {
     vector}, 形状: {
     vector.shape}")

    # 矩阵（2 维张量）
    matrix = torch.tensor([[1.0, 2.0], [3.0, 4.0]])
    print(f"矩阵: {
     matrix}, 形状: {
     matrix.shape}")

    # 三维张量
    tensor3d = torch.tensor([[[1.0, 2.0], [3.0, 4.0]], [[5.0, 6.0], [7.0, 8.0]]])
    print(f"三维张量: {
     tensor3d}, 形状: {
     tensor3d.shape}")
if __name__ == "__main__":
    main()

输出：

标量: 3.140000104904175, 形状: torch.Size([])
向量: tensor([1., 2., 3.]), 形状: torch.Size([3])
矩阵: tensor([[1., 2.],
        [3., 4.]]), 形状: torch.Size([2, 2])
三维张量: tensor([[[1., 2.],
         [3., 4.]],

        [[5., 6.