昨天和同事开玩笑说，我又想到几个好玩又实用的topic，准备写下来；其实今天本来想蹭个热点写点别的，但是突然出了这么几个新闻，考虑再三，我还是写点技术文章吧！
今天的主题是讲一下Tensor
什么是Tensor? 不管做不做深度学习的各位，可能都听过Tensorflow，这是两个词的整合新词，前面的Tensor是核心，Tensor 直译就是张量，那么什么是张量？
张量是一个统称，细分下来有很多分支，举几个例子：
- 0阶张量：标量，就是我们日常所经常用到的常量，常数 ，一般记为0-D Tensor
- 1阶张量：向量, venctor, 1-D Tensor
- 2阶张量：矩阵, martix, 2-D Tensor
- 3阶以后一般也就不会特意给起个名字了
阶/维度/dimension,可以近似认为是高维数组里的shape的个数
看一个例子：
我们先设定有一个Tensor为a
打印一下Tensor a 的形状
可以看出Tensor a 是一个 2行3列的矩阵，通过a.shape可以打印出a 的在每一个维度上的元素个数，而shape的个数就是Tensor的维度
这里介绍几种使用torch来创造Tensor的方法
1- 空Tensor(未初始化的Tensor)
当使用torch.empty来创建空Tensor的时候，torch会自动无意义的随机值来填充Tensor
2- 全1Tensor
这个没什么可解释的
3- 全0Tensor
同上
4-随机值Tensor
Tensor取值范围默认是0-1区间的数字
5- Randint整数Tensor
顾名思义，特点是可以设置整数区间
6- 高斯分布Tensor
就是个标准的正态分布，均值0，方差为1，尽可能模拟真实世界的随机data分配原则
以上这些Tensor的生成方法可以在做训练或者推理测试的时候用，作用是可以造临时测试数据，来验证训练或者推理的代码是否work
Tensor的属性
怎么一眼就知道操作的Tensor是几阶Tensor？
看中括号数量！
举个例子：
这就是个3阶Tensor
这就是2阶Tensor，矩阵
那么如果就给一个元素的多个中括号可以吗？
答案是可以的，如上图所示，4阶Tensor，在每个维度上就有一个元素
彩蛋：
写到这里，可能细心的读者已经发现了，在torch的api里，我怎么一会用tensor,一会用Tensor，那么这两个方法有什么区别呢？
大致有如下几个区别：
- Tensor相当于torch.empty 和torch.tensor的混合模式，而且它是有一个全局默认的数据类型的，FloatTensor就是浮点数，可以参考上图，在打印torch.Tensor创建的张量的时候，元素后面都会有一个".", 这个"."就是浮点数的意思, 而使用torch.tensor创建的张量，是可以通过dtype来指定元素的数据类型，同时它也会自动根据输入的元素来匹配数据类型
- Tensor如果直接输入整数，默认是把这个数字当成元素个数来看（第一条我已经讲了，Tensor默认是有数据类型的，所以输入整数它不会认为是整形，而是当成元素的个数），而tensor则是当成具体元素的值（判断为整形）
- 最后一点也是本质区别,torch.Tensor 其实是个类，它有自己的构造函数，而torch.tensor本身是一个函数，本体是
torch.tensor(data, dtype=None, device=None, requires_grad=False)
写在最后，“情欲生于夏，因果了于秋", 今天确实不知道怎么形容，就先写这么多吧！
