在PyTorch中，torch.tensor()函数是用来创建张量（Tensor）的一个非常基础和重要的函数。张量是PyTorch中的基本数据结构，用于存储和操作数据，可以看作是一个高维数组。torch.tensor()函数可以从数据创建新的张量，数据可以是一个列表、数组或者已有的张量等。
当你使用torch.tensor(y_train)时，你是在将y_train（可能是一个Python列表、一个NumPy数组或者其他形式的序列数据）转换为一个PyTorch张量。这样做的目的通常是为了能够将数据用于PyTorch的计算图中，例如，进行模型训练、应用梯度下降等深度学习操作。
参数
torch.tensor()函数的常用参数包括：
data: 要转换的数据。这是一个必须参数，可以是列表、元组、NumPy ndarray、标量或其他支持的数据类型。dtype: 指定新张量的数据类型。如果没有指定，则自动推断data的数据类型。device: 指定张量存储的设备，例如CPU或CUDA（GPU）。requires_grad: 设置为True时，表示张量需要计算梯度，这在训练神经网络时非常有用。
示例
假设y_train是一个NumPy数组，包含了训练数据的标签，你想将它转换为一个PyTorch张量，并且需要计算梯度（例如，如果y_train用于一个神经网络模型的输出），可以这样做：
import torch
import numpy as np# 假设y_train是一个NumPy数组
y_train = np.array([1, 0, 1, 1, 0])# 将y_train转换为一个PyTorch张量
y_train_tensor = torch.tensor(y_train, dtype=torch.float32, requires_grad=True)print(y_train_tensor)
这段代码会输出y_train的PyTorch张量表示，其数据类型设置为torch.float32，并且标记为需要计算梯度。这样，y_train_tensor就可以被用于PyTorch模型的训练过程中了。
注意，当requires_grad=True时，张量被用于构建计算图，所以PyTorch可以自动计算和存储梯度。这对于执行反向传播算法更新网络权重非常关键。
