如果对Tensor的概念理解不清楚请参考我的上一篇文章。
先介绍Tensor的.add()和.add_()方法：
1）不修改自身数据，如x.add(y),x的数据不变，返回一个新的tensor。
（2）修改自身数据，如x.add_(y)(运行符带下划线后缀)，运算结果存在x中，x被修改。
import torch
x=torch.tensor([1,2])
y=torch.tensor([3,4])
z=x.add(y)
print(z)
print(x)
x.add_(y)
print(x)运行结果：
tensor([4, 6])
tensor([1, 2])
tensor([4, 6])
一、创建Tensor
import torch
#根据list数据生成tensor
aa=torch.Tensor([1,2,3,4,5,6])
print(aa)
#tensor([1., 2., 3., 4., 5., 6.])
#根据指定形状生成tensor
bb=torch.Tensor(2,3)
print(bb)
# tensor([[0., 0., 0.],
# [0., 0., 0.]])
#根据给定的tensor的形状
t=torch.Tensor([[1,2,3],[4,5,6]])
#查看tensor的形状
t.size()
#shape与size()等价方式
t.shape
#根据已有形状创建tensor
cc=torch.Tensor(t.size())
print(cc)
# tensor([[8.4490e-39, 9.6429e-39, 9.2755e-39],
# [1.0286e-38, 9.0919e-39, 8.9082e-39]])
#根据一定规则，自动生成tensor的一些例子。
# 生成一个单位矩阵
a=torch.eye(2, 2)
print(a)
# tensor([[1., 0.],
# [0., 1.]])
# 自动生成全是0的矩阵
b=torch.zeros(2, 3)
print(b)
# tensor([[0., 0., 0.],
# [0., 0., 0.]])
# 根据规则生成数据
c=torch.linspace(1, 10, 4)
print(c)
#tensor([ 1., 4., 7., 10.])
# 生成满足均匀分布随机数
d=torch.rand(2, 3)
print(d)
# tensor([[0.0198, 0.5116, 0.3734],
# [0.0397, 0.4600, 0.7310]])
# 生成满足标准分布随机数
f=torch.randn(2, 3)
print(f)
# tensor([[ 0.7431, -1.1317, -0.0973],
# [ 0.1756, 0.2788, 0.2570]])
# 返回所给数据形状相同，值全为0的张量
e=torch.zeros_like(torch.rand(2, 3))
print(e)
# tensor([[0., 0., 0.],
# [0., 0., 0.]])创建的tensor中的数据都是float。
创建tensor使用了tensor()和Tensor()两种方法。
注意torch.Tensor与torch.tensor的几点区别
①torch.Tensor是torch.empty和torch.tensor之间的一种混合，但是，当传入数据时，torch.Tensor使用全局默认dtype（FloatTensor），torch.tensor从数据中推断数据类型。
②torch.tensor(1)返回一个固定值1，而torch.Tensor(1)返回一个大小为1的张量，它是随机初始化的值。
import torch
t1=torch.Tensor(1)
t2=torch.tensor(1)
print("t1的值{},t1的数据类型{}".format(t1,t1.type()))
print("t2的值{},t2的数据类型{}".format(t2,t2.type()))结果：
t1的值tensor([3.5731e-20]),t1的数据类型torch.FloatTensor
t2的值1,t2的数据类型torch.LongTensor
3.5731e-20是随机生成的大小为1的张量。
二、修改Tensor形状
import torch
#coco
# 生成一个形状为2x3的矩阵
torch.manual_seed(1)
x = torch.randn(2, 3)
print(x)
# tensor([[ 0.6614, 0.2669, 0.0617],
# [ 0.6213, -0.4519, -0.1661]])
# 查看矩阵的形状
x.size() # 结果为torch.Size([2, 3])
# 查看x的维度
x.dim() # 结果为2
# 把x变为3x2的矩阵
x.view(3, 2)
# 把x展平为1维向量
y = x.view(-1)
print(y)
# tensor([ 0.6614, 0.2669, 0.0617, 0.6213, -0.4519, -0.1661])
y.shape
print(y.shape)
# 添加一个维度
z = torch.unsqueeze(y, 0) #输出是6
# 查看z的形状
z.size() # 结果为torch.Size([1, 6])
# 计算Z的元素个数
z.numel() # 结果为6【说明】torch.view与torch.reshpae的异同
①reshape()可以由torch.reshape(),也可由torch.Tensor.reshape()调用。view()只可由torch.Tensor.view()来调用。
②对于一个将要被view的Tensor，新的size必须与原来的size与stride兼容。否则，在view之前必须调用contiguous()方法。
③同样也是返回与input数据量相同，但形状不同的tensor。若满足view的条件，则不会copy，若不满足，则会copy
④如果您只想重塑张量，请使用torch.reshape。 如果您还关注内存使用情况并希望确保两个张量共享相同的数据，请使用torch.view。
使用contiguous()
如果想要断开这两个变量之间的依赖（x本身是contiguous的），就要使用contiguous()针对x进行变化，感觉上就是我们认为的深拷贝。
当调用contiguous()时，会强制拷贝一份tensor，让它的布局和从头创建的一模一样，但是两个tensor完全没有联系。
