深度学习领域方向
自然语言处理、计算机视觉、深度学习
具体领域
图片分类、物体检测与分割、样式迁移（为图片加滤镜）、人脸合成、文字生成图片、文字生成、无人驾驶
表示一个多维矩阵，核心是一个数据容器，多数情况下包含数字，可以想象成一个数字的水桶。
张量的每个值称为张量的元素，新的张量将存储在内存中，并且在计算时通常是基于CPU的。
N维数组是机器学习和神经网络的主要数据结构。
| 张量维度 | 代表含义 |
| 0维张量 | 标量（数字） |
| 1维张量 | 向量 |
| 2维张量 | 矩阵 |
| 3维张量 | 时间序列数据 股价 文本数据 单张彩色图片 |
| 4维张量 | 图像 |
| 5维张量 | 视频 |
0-d（标量）一个类别
1-d（向量）一个特征向量
2-d（矩阵）一个样本-特征矩阵
3-d（RGB图片）宽*高*通道[(width, height, channel) = 3D]
4-d（一个RGB图片批量）批量大小*宽*高*通道[(batch_size, width, height, channel) = 4D]
5-d（一个视频批量）批量大小*时间*宽*高*通道
创建数组需要的元素：
例子：
访问第二行第三列元素
访问第二行所有元素
访问第二列所有元素（表示方法有误，应改为 一列：[:,1]）
1:3 表示访问的是第二行到第三行，实质上为[1,3)的一个区间，不包括第四行
1: 表示从第一列开始的所有列跳着访问， ::3 表示从第0行到第四行，::2 表示从第0列到第三列
x=torch.arange(start=0,step=1,*,out=None,dtype=None, layout=torch.strided, device=None, requires_grad=False) --> Tensor
作用：表示返回大小为[(end-start)/step]的一维张量，值介于[start,end)区间，以step为步长等间隔取值。
参数意义：
start：起始值，默认值为0
end：结束值
step：步长，默认值为1
out：输出张量
dtype：期待返回的张量，如果是None，使用全局默认值，如果未给出dtype，则从其他输入参数推断类型，如果 start、end、step 任意一个数是浮点数，则dtype推断为默认值
例：
x.shape()：可以查看已创建的张量x的形状。
x.numel()：可以查看张量的大小。
x.reshape()：可以改变张量的形状而不改变元素的量以及元素的值，并且张量的大小也没有改变。
torch.zeros()：创建一个全0的张量（元素都为0）。
torch.ones()：创建一个全1的张量。
torch.device()：代表torch.Tensor分配到对象存储的设备，包含一个设备类型和可选设备的序号，没有序号默认为当前设备。torch.randn()：表示创建一个元素都从均值为0，标准差为1的正态分布中随机采样。
torch.tensor(data, *, dtype=None, device=None, requires_grad=False, pin_memory=False) 构造一个包含单一数据类型元素的多维矩阵，通过提供列表为张量的每个元素赋予确定的值。
data：张量的初始数据。可以是列表、元祖、numpy和数组、标量等类型。torch.exp(input,*,out=None) --> Tensor：对input逐元素进行以自然数e为底指数运算。
math.log(x[,base]) ：该操作是导入math，然后对二维张量(0,ln2)进行逐元素的以自然数e为底数的求幂运算。
x：输入的数字，如果不是数字返回TypeError,如果是0或负数，返回ValueError。
base：可选，log函数的底数，默认是e。torch.cat(tensors,dim=0,*,out=None)-->Tensor：将多个tensor类型张量进行连接。
tensors：tensor元祖或者tensor列表。
dim：可选参数，代表张量连接的维数，若tensor是二维的，dim=0表示在行上连接，dim=1指在列上连接。torch.reshape(input,shape)：返回具有相同数据和元素的张量，且具有指定的形状。
input(Tensor) 要被重塑的张量
shape(python元组:int) 新的形状torch.zeros_like(tensor)：生成和括号内张量维度一致的全是零的块。
torch.device()的使用方法：
torch.randn()的使用方法：
torch.tensor的使用方法：
torch.exp()的使用方法：
这里可以将这个函数泛化为下面这个数学式子
torch.zeros_like()的使用方法：
总结：通过复制元素使两个张量形状相同后再按元素进行计算。
注：两个张量进行广播机制需满足以下条件：
使用广播机制的例子：
解释：x为1行2列的矩阵，y为3行1列的矩阵，二者要想实现相加，x需要将第一行的元素复制到第二行和第三行，y需要将第一列的元素复制到第二列，这样二者形状相同，可以完成按元素相加操作。
张量的元素可以通过索引访问，第一个元素的索引是0，最后一个元素的索引是-1。
例：
X[-1]表示选择X张量的最后一个元素，X[1:3]表示取到X张量的第二个到第三个元素。
也可以指定索引将元素写入矩阵。
X[1,2] = 9 表示将原第二行第三列的元素改为9。
同时为多个元素赋予相同的值，可以将全部元素索引后赋值。
原有X张量中第一行与第二行的元素：
重新赋值后，X张量中第一行与第二行元素被改为了12。
X[0:2,:] = 12 中， : 表示索引全部元素。
运行一些操作可能会为新结果分配内存。
id(Y)操作可以提供内存引用对象的确切地址，执行了Y = Y + X 后，Y的内存发生改变，执行id(Y) == before 结果为False，可以看出其内存发生改变。
日常工作中，我们不想总是进行不必要的分配内存，我们希望原地执行这些更新。
如果不原地更新，其他引用仍然会指向旧的内存位置，某些代码无意中会引用旧的参数，这是不可取的。
可以采用切片法将操作的结果分配给先前分配的数组。如Y[:] = <expression>
可以使用X[:]= X + Y或X += Y减少内存操作的开销。
深度学习中定义的张量（Tensor）与Python中NumPy张量（ndarray）的相互转换很容易，并且torch张量和numpy数组将共享底层内存。
将大小为1的张量转换为python标量，可以调用item函数或python内置函数。
