目录

类型检查

torch.randn(2,3)创建一个两行三列dimension(维度)为2的tensor类型，randn表示创建的数据满足N（0,1）的正态分布
a.type()返回tensor类型
isinstance（）用来对tensor进行合法化检验，将两个进行对比 类型一致返回TRUE
python 自带的type函数返回基本数据类型 并不会提供额外的信息
同时若相同数据分别放在cpu和gpu的环境下，所生成的数据类型也是不一样的

不同维度tensor创建

维度为0的标量

torch.tensor()中直接传入标量数据，生成的是dimension为0的tensor
用途：我们主要使用这种tensor来表示计算的loss，loss即为标量

a.shape与a.size()作用等同，输出的torch.size([])即表示dimension为0，说明该tensor为标量

维度为1的tensor（张量）

创建张量时要加上[]，此时dimension为1,使用tensor()函数时指定的是具体的数据，使用FloatTensor()只需要传入想要生成数据的size，维度默认为1。还可以从numpy引入 np.ones() 生成ndarray格式的[1.,1.,1…]，在转换成tensor格式
用途：dimension为1的tensor主要用于神经元中的bias或神经网络的输入，如MNIST数据集中图片格式转换后为tensor([784])
值得注意的是在pytorch0.4版本之前loss采用的都是张量格式如tensor([0.3])，在0.4和1.0之后引入标量格式如tensor(0.3)

如何区别shape，size，dimension ，tensor？

如一个二维的tensor，内容是[[1,2],[3,4]],那么它的dimension为2
size等同于shape为[2,2]即两行两列，tensor则是指具体的数据[[1,2],[3,4]]

维度为2的tensor

torch.randn(2,3)创建一个两行三列dimension(维度)为2的tensor
使用a.size(0)返回tensor shape的第一个元素（第一维度的长度）
使用a.size(1)返回tensor shape的第二个元素（第二维度的长度）
或使用a.shape[1]效果等同
用途：用作神经网络带有batchsize的线性输入，如MNIST数据集中[4,784]表示有四张图片，每张图片784个像素点，第一个维度表示第几张照片，第二个维度表示照片中第几个像素点对应的数值。

维度为3的tensor

使用torch.rand(1,2,3)生成一个维度为3的tensor，rand表示生成的数字实在0-1之间的随机数。
a[0]表示tensor a第一个维度下标为0的数，shape为[2,3]
可用list函数把shape转换为list格式
用途：维度为3的tensor尤其适合于RNN模型用于自然语言处理，加入一句话由10个单词组成，每个单词有100中可能，采用一位热编码，则代表一句话的tensor shape为[10,100],若一次输入20句话，则tensor shape为[10,20,100]

维度为4的tensor

原理同上不再赘述
用途：主要用于CNN中输入，如[5,1,28,28]格式tensor四个维度分别表示
batchsize，channel，height，weight，例子中表示五张通道为1高度宽度都为28个像素点的图片。灰度图通道数为1，彩色图通道数为3分别表示RGB。

补充知识

numel表示总的数据个数2328*28=4704
dim返回维度数 也可使用len(a.shape)