PyTorch是什么?
这是一个基于Python的科学计算包，其旨在服务两类场合：
- 替代numpy发挥GPU潜能
- 一个提供了高度灵活性和效率的深度学习实验性平台
第一个概念：张量tensors
pytorch下的张量类似于numpy下的数组，并且张量也可用于在GPU上对程序进行加速
创建(5,3)的数据：
数组：numpy.empty([5, 3])
张量：torch.empty(5, 3)
运行结果：
数组
张量
note：numpy下创建多维数组，参数要是一个列表；torch下只需直接输入数字；同理初始化张量的方式还有ones、zeros。
创建随机数
显然，pytorch创建随机数更方便
创建指定内容的张量
张量和数组的继承
note：数组没有new_ones这种方法
张量和数组创建正态分布的数据
note：数组没有randn_like这种继承方式
size的用法，
数组和张量的用法是不一样的，数组返回元素个数，张量返回其规模，类似于shape
add用法（总算来了一个数组和张量都一样的用法）
note：注意一下，使用add函数会生成一个新的tensor变量， add_ 函数会直接再当前tensor变量上进行操作，于函数名末尾带有"_" 的函数都是会对Tensor变量本身进行操作的。add_是针对类的方法，而不能当函数调用
更改数组或张量的规模reshape、view
note：对于张量，reshape和view都可以用，但数组没有view这个用法
张量转化为数组
必须要强调一下，数组和张量相互转化时候，两者共用一个存储地址，因此两者的相互转化会非常快
张量转为数组
数组转为张量 调用函数from_numpy
从最后4行结果也可以看出，从数组转化而来的张量和数组共用一个地址
张量乘法
矩阵乘法、对应位置相乘
张量的增维和减维（挤维） unsqueeze、squeeze
torch.squeeze(input, dim=None, out=None)
1、当不给定dim时，将输入张量形状中的1 去除并返回
2、当给定dim时，那么挤压操作只在给定维度上，当这个给定的dim为1的时候，才有效，否则，函数是无效的
3、返回张量与输入张量共享内存，所以改变其中一个的内容会改变另一个。
4、dim为负数时候，-1表示最后一个，以此类推，如数据的维度(2,3,1)，squeeze（input，-1）降低第二维成（2，3）
torch.unsqueeze(input, dim, out=None)
1、给定的dim是最终生成的dim，不如dim=2，是最终生成的张量中，第二维的大小为1
2、返回张量与输入张量共享内存，所以改变其中一个的内容会改变另一个。
3、dim为负数时候，-1表示最后一个，以此类推，如数据的维度(2,3)，unsqueeze（input，-1）降低第二维成（2,3,1）
堆叠函数stack：用于扩展张量的维数
调用格式 d=torch.stack( (a,b,c) ,dim) 其中a、b、c为相同维数的张量，dim为指定的张量堆积方向。如abc分别为二维张量，dim=0，表明形成三维张量后第0维为堆积方向。
先来看一下三维的数据大致的形状，三维是几个2维数据按一定方向堆叠起来的，但不管怎么堆叠，可以始终看成一个长方体
以此类推
以具体例子来看
abc分别为（2，4）的二维张量
当dim=0，表明3张平面向着第0轴的方向堆叠，故容易得出最后的规模为(3,2,4)
然后用数据验证下：
继续，当dim=1时，表明3张平面按第1维的方向堆叠，易得出最后的规模(2,3,4)
验证：
继续，当dim=2，表明3个平面按第2轴的方向堆叠，容易的出最后的张量规模（2，4，3）
验证：
需要注意的是，d=torch.stack( (a,b,c) ,dim) ，表示堆叠的时候，按abc的顺序依次向着堆叠方向放平面，顺序不要错了。
CUDA张量，将张量移送到GPU上进行运算
脚本的运行时间将比cpu下快很多
张量的复制
运用 clone、detach函数
clone():完全复制、开辟新内存，仍留在计算图中，即参与梯度运算
detach():完全复制，和原变量为同一内存，但离开计算图
clone().detach():完全复制，开辟新内存，离开计算图
张量的求平均
运用mean函数，通过设置参数，该函数具有降维的作用，具体来看
调用格式：torch.mean(x, dim, keepdim)
x为求取平均的tensor对象，需要为float型，dim为指定维的反向求平均，keepdim为保持输出维度，True时为指定的dim维度+1，False为默认值，即不保持输入维度，即dim维度消失，实现了降维。
接下来看3个例子就可以明白这个函数具体怎么工作了：
第一个例子
x = torch.rand(4, 2, 3) #三维张量
x1 = torch.mean(x, dim=0, keepdim=True) #因为keepdim=True，所以x1维度保持3维
x2 = torch.mean(x1, dim=1, keepdim=True) #因为keepdim=True，所以x2维度保持3维
x3 = torch.mean(x2, dim=2, keepdim=True) #因为keepdim=True，所以x3维度保持3维
输出
第二个例子
x = torch.rand(4, 2, 3)
x1 = torch.mean(x, dim=0) #keepdim=False，则x1为2维张量
x2 = torch.mean(x1, dim=0, keepdim=True)
x3 = torch.mean(x2, dim=1, keepdim=True)
第三个例子
x4 = torch.mean(x)，无任何参数，直接降成标量
