1、
a b
c d
dim/len（shape）：2
shape/size：torch.Size（[2, 2]）
numel == 2 * 2（number of element）
2、三种常用数据类型
torch.FloatTensor（）
torch.ByteTensor（）
torch.IntTensor（）
torch.Tensor可设置默认类型
括号内填shape，若想填写现成数据，则放到中括号里面
若是GUP类型，则加cuda
3、list可以将size、shape转化成列表
4、torch.randn（）torch.rand（）torch.FloatTensor（）区别
rand：在[0,1]之间均匀选取 rand_like(tensor)：相当于取了tensor的shape
randint（min，max，shape）可以自己指定min和max，但是max取不到
randn：取值服从正态（0，1）分布
5、将其他类型转化为tensor类型
(1)由numpy导入
np.array()、np.ones()
torch.from_numpy
(2)由list导入
torch.tensor()只有一个参数，接收现成的数据，可以是numpy或list或数字
不成文的规定，小写给数据，大写给shape（可以给数据，但是最好别用）
6、全部初始化为某一个值
torch.full([shape], value)
7、生成等差数列
torch.arange(min, max, 步长)
8、全部为1：ones
全部为0：zeros
对角为1：eye
9、索引与切片
若想加步长，则多写一个冒号
用...代替 :
在某一个维度上切片：index_select(维度，[min, max])
10、维度变换
（1）view == reshape
（2）unsqueeze（扩张）：正数在前负数在后插一个维度
squeeze（压缩）：参数为打算删减的维度
（3）t（转置）：只适用于二维
（4）transpose（维度交换）二维的用转置，高维的用transpose
（5）拼接：cat（[tensor1, tensor2], dim=0）只有拼接的维度可以不同
stack（[tensor1, tensor2], dim=0）相当于创建一个新的维度（概念），所有的维度必须相同
拆分：split（len, dim=0）len若为单个数，则按每份为len个均分，若为列表，则为具体分配
chunk（num）按num份均分
11、矩阵的运算
+ - * /
**2 **0.5
12、
floor、ceil、trunc（取整）、frac（取小数）
round四舍五入
13、clamp 裁剪
14、where（condition，A，B）由tensorA、tensorB构造一个新的tensorC
gather（input，dim，index）