【数据类型】Python 与 PyTorch 常见数据类型对应：

用 a.type() 获取数据类型，用 isinstance(a, 目标类型) 进行类型合法化检测

>>> import torch
>>> a = torch.randn(2,3)
>>> a
tensor([[-1.7818, -0.2472, -2.0684],
        [ 0.0117,  1.4698, -0.9359]])
>>> a.type()  ## 获取数据类型
'torch.FloatTensor'
>>> isinstance(a, torch.FloatTensor)  ## 类型合法化检测
True
>>> 

【什么是张量】标量与张量：用 a.dim(), a.shape 或者 a.size() 查看 dim 为 0 是标量，否则是张量

>>> import torch
>>>
>>> a = torch.tensor(1) 
>>> a
tensor(1)
>>> a.dim()
>>> 0  ## 标量

>>> a = torch.Tensor([1]) 
>>> a
tensor([1.])
>>> a.dim()
>>> 1  ## 张量

【生成张量】常见方法如下：

• 常见随机方法：torch.randn(shape), torch.rand(shape), torch.randint(min, max, shape), torch.rand_like(a), torch.normal(mean, std) … 具体示例如下
• Dim 1 / rank 1: 以 size 2 为例

  >>> a = torch.randn(2)   ## 随机，
  >>> a: tensor([1.4785, 0.6089])
  
  >>> a = torch.Tensor(2)   ## 接收维度, unintialized 不推荐
  >>> a: tensor([5.4086e+26, 4.5907e-41])
  >>> a = torch.Tensor([1,2])   ## 同 torch.tensor([1,2]) 接收具体数据
  >>> a: tensor([1, 2])
  
  >>> a = torch.from_numpy(np_data)  ## 数据维持不变，类型一一对应
  
  >>> a = torch.full([2],7)   ## 全部填充为一样的值   
  >>> a: tensor([7, 7])
  
  >>> a = torch.arange(0,10)   ## arange
  >>> a: tensor([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
  
  >>> a = torch.linspace(0,10, steps=4)   ##  
  >>> a: tensor([ 0.0000,  3.3333,  6.6667, 10.0000])
  >>> a = torch.logspace(0,10, steps=4) 
  >>> a: tensor([1.0000e+00, 2.1544e+03, 4.6416e+06, 1.0000e+10])
  

• Dim 2 / rank 2: 以 size [2,3] 为例

  >>> a = torch.randn(2, 3)   ## 随机 
  >>> a: tensor([[ 2.0631, -1.7011,  0.6375],
  	    	   [-1.2104, -1.3341, -0.8187]])
  
  >>> a = torch.Tensor(2, 3)   ## 接收维度, unintialized 不推荐   
  >>> a: tensor([[-0.2438, -0.9554, -0.4694],
  			   [ 0.8636,  1.6497, -0.8862]])
  >>> a = torch.Tensor([[1,2,3],[4,5,6]])  ## 同 torch.tensor([[1,2,3],[4,5,6]]) 接收具体数据 
  >>> a: tensor([[1., 2., 3.],
         		   [4., 5., 6.]])
  
  >>> a = torch.from_numpy(np_data)  ## 数据维持不变，类型一一对应
  
  >>> a = torch.full([2,3],7)  ## 全部填充为一样的值
  >>> a: tensor([[7, 7, 7],
                 [7, 7, 7]])
  

  …