🧠 PyTorch张量操作详解

PyTorch 是深度学习领域的主流框架之一，其核心数据结构是 张量（Tensor）。掌握张量操作是高效使用 PyTorch 的基础，以下是关键知识点：

📌 1. 创建张量

import torch

# 创建零张量
zeros = torch.zeros(2, 3)  # 🧬 3D 张量示例
<center><img src="https://cloud-image.ullrai.com/q/张量形状/" alt="张量形状"/></center>

# 创建随机张量
rand = torch.rand(4, 4)    # 🎲 随机初始化

🛠 2. 基本操作

• 形状操作：.view(), .reshape(), .transpose()
• 数学运算：.add(), .mul(), .mean()
  📌 注意：运算符优先级与 NumPy 类似，但支持 GPU 加速
• 索引切片：tensor[0,1], tensor[:,1:]

🔧 3. 高级操作

• 广播机制：自动扩展维度进行运算
  📌 示例：torch.add(tensor1, tensor2) 需维度兼容
• 拼接与分割：.cat(), .split()
• 设备迁移：.to('cuda') 实现 CPU/GPU 互换
  📌 需确保环境支持 CUDA

📈 4. 应用示例

# 神经网络中的张量使用
input_tensor = torch.randn(1, 3, 224, 224)  # 🖼 图像输入
output_tensor = torch.nn.functional.relu(input_tensor)  # 🧠 激活函数

📘 扩展阅读

如需深入了解张量操作的进阶技巧，可参考：
PyTorch_张量操作进阶