PyTorch中所有的操作都是基于Tensor（张量）的，因此理解张量的含义并能够自由创建张量是十分必要的。
张量是PyTorch中最基本的操作对象。我们可以用数学中的概念来辅助理解一下张量，如图5-1所示。
- 标量（Scalar）只具有数值大小，而没有方向，部分有正负之分，如1、2、3、-10。
- 矢量（Vector）具有大小和方向，如(3,4)。
- 矩阵（Matrix）是一个按照长方阵列排列的复数或实数集合，如[[1,2],[3,4]]。
标量、矢量、矩阵都属于张量，标量是零维张量，向量是一维张量，矩阵是二维张量。张量还可以是三维的、四维的等。
PyTorch的张量与NumPy中的ndarray类似，但是在PyTorch中，张量可以使用GPU进行计算以提高运算性能。
5.1.2 使用特定数据创建张量
为了更好地理解张量中的矩阵，下面先介绍如何将现有的NumPy矩阵转换成张量中的矩阵。张量就是PyTorch中的一种矩阵形式，因此PyTorch中集成了将NumPy创建的矩阵数据转换成张量的方法torch.from_numpy()，示例代码如下：
import torchimport numpy as npa = np.array([3.0, 4.0, 5.0])b = torch.from_numpy(a)print(b)输出结果如下：
tensor([3., 4., 5.], dtype=torch.float64)
还可以直接输入数据创建，方法是torch.tensor()，输入数据并指定数据的类型(int/float/double) ，示例代码如下：
import torch
#直接输入数据创建
a = torch.tensor([[3, 4, 5],[6, 7, 8]])
print(a)
print(a.type())
#输入数据并指定数据类型创建
b = torch.FloatTensor([[3, 4, 5],[6, 7, 8]])
print(b)
print(b.type())
输出结果如下：
tensor([[3, 4, 5],[6, 7, 8]])
torch.LongTensor
tensor([[3., 4., 5.],[6., 7., 8.]])
torch.FloatTensor
在一些实际应用中，可能会遇到全0矩阵、全1矩阵的情况，这时张量的创建采用torch.full方法创建，torch.full()方法接收参数为shape,x，输出一个shape大小的元素全为x的张量，相关代码如下：
import torch
a = torch.full((2,3),1)
print(a)
print(a.type())
输出结果如下：
tensor([[1, 1, 1],[1, 1, 1]])
torch.LongTensor
有些时候，可能会使用一些连续的数据，类似于等差序列。这时可以使用torch.arange()方法，它接收三个参数，前两个是边界值，后一个是步长（Step），输出边界值范围内步长的等差序列组成的它张量。
import torch
#torch.arange()方法创建
a = torch.arange(0,10,2)
print(a)
print(a.type())
输出结果如下：
tensor([0, 2, 4, 6, 8])
torch.LongTensor
《PyTorch深度学习与企业级项目实战（人工智能技术丛书）》(宋立桓，宋立林)【摘要 书评 试读】- 京东图书 (jd.com)
本文节选自《PyTorch深度学习与企业级项目实战》，获出版社和作者授权发布。
【赠书活动第5期】《PyTorch深度学习与企业级项目实战》-CSDN博客
