PyTorch 是深度学习领域常用的框架，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，以下内容将带你了解关键知识点：
1. 张量基础概念
张量是多维数组的扩展，支持 GPU 加速计算。
- 0维：标量（Scalar）
- 1维：向量（Vector）
- 2维：矩阵（Matrix）
- n维：高维张量（N-Dimensional Tensor）
2. 创建张量
import torch
# 创建标量
scalar = torch.tensor(42)
# 创建向量
vector = torch.tensor([1, 2, 3])
# 创建矩阵
matrix = torch.tensor([[1, 2], [3, 4]])
# 创建随机张量
random_tensor = torch.rand(3, 3, 3) # 3D 张量
3. 常用操作
- 形状操作：
tensor.view()/tensor.reshape() - 索引操作：
tensor[0,1]或tensor[:,1] - 数学运算：
tensor.add()/tensor.mul() - 广播机制：支持不同形状张量的自动对齐计算
4. 高级功能
- 梯度计算：通过
requires_grad=True启用自动微分 - 设备迁移：
tensor.to("cuda")将张量移动到 GPU - 数据类型转换：
tensor.type(torch.float32)
5. 应用示例
张量操作广泛应用于神经网络构建：
- 权重初始化
- 数据批量处理
- 损失函数计算
扩展阅读
想要深入了解张量操作的进阶技巧，可以访问 PyTorch 官方文档 获取更多示例代码和说明。
注：图片关键词可根据实际需求调整，如需更多可视化内容可参考 PyTorch 图形化教程。